🔢 mathematics

Compression with Privacy-Preserving Random Access

यह शोधपत्र यह प्रदर्शित करता है कि एक i.i.d. बाइनरी स्रोत को एंट्रॉपी से ऊपर किसी भी दर पर हानिरहित रूप से संकुचित किया जा सकता है, जबकि यह सुनिश्चित किया जा सकता है कि किसी भी एकल प्रतीक को डिकोड करने से शेष प्रतीकों के बारे में कोई जानकारी प्राप्त न हो, जो कि कोडवर्ड वितरणों के एक नवीन ज्यामितिक प्रतिनिधित्व के माध्यम से परिणामी मार्जिनल निरंतरता समस्या को हल करके प्राप्त किया गया है।

मूल लेखक: Venkat Chandar, Aslan Tchamkerten, Shashank Vatedka

प्रकाशित 2026-07-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Venkat Chandar, Aslan Tchamkerten, Shashank Vatedka

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक विशाल, गुप्त खजाने का नक्शा है जो हजारों छोटे बिंदुओं से बना है, जहाँ प्रत्येक बिंदु या तो 0 है या 1। यह नक्शा आपका डेटा है। आमतौर पर, यदि आप इस नक्शे को कंप्रेस (सिकोड़ना) करना चाहते हैं (स्थान बचाने के लिए इसे छोटा करना), तो आपको सब कुछ एक साथ दबाना पड़ता है। लेकिन यहाँ एक पेंच है: यदि आप बाद में केवल एक विशिष्ट बिंदु को देखने के लिए उसे देखना चाहते हैं कि वह 0 है या 1, तो आप अनजाने में उसके पड़ोसियों को भी देख सकते हैं और उनके रहस्य उजागर कर सकते हैं।

लंबे समय तक, वैज्ञानिकों ने सोचा था कि एक कठिन सीमा है: या तो आप नक्शे को पूरी तरह से सिकोड़ सकते हैं, या आप दूसरों के रहस्यों को जाने बिना एक बिंदु को देख सकते हैं, लेकिन आप एक ही समय में दोनों नहीं कर सकते। यह एक गायक को सुनने की कोशिश करने जैसा था, जहाँ आप एक आवाज़ पर ध्यान केंद्रित करते हैं, तो बाकी गायक को चुप रहना पड़ता है, जिससे रिकॉर्डिंग बहुत बड़ी हो जाती है।

बड़ी खोज
यह शोध पत्र उस पुराने विचार को गलत साबित करता है। लेखक, वेंकट चंदार, अशलन त्छमकेर्टन और शशांक वटेदका, यह दिखाते हैं कि आप अपने खजाने के नक्शे को उसके बिल्कुल न्यूनतम संभव आकार तक सिकोड़ सकते हैं (एक दर जो "एन्ट्रॉपी" यानी इसके प्राकृतिक सूचना सीमा से थोड़ी ऊपर है) और फिर भी आप किसी भी एकल बिंदु को बिना आस-पास के बिंदुओं के बारे में कुछ भी जाने देखे सकते हैं।

उन्होंने केवल अनुमान नहीं लगाया; उन्होंने एक गणितीय मशीन बनाई ताकि यह सिद्ध किया जा सके कि यह अस्तित्व में है। उन्होंने दिखाया कि किसी भी यादृच्छिक (random) 0 और 1 के अनुक्रम के लिए, एक तरीका है जिससे आप इसे कंप्रेस कर सकते हैं ताकि जब आप पूछें, "क्या यह विशिष्ट बिंदु 1 है?", तो उत्तर तुरंत मिल जाए, और जिन बिट्स का उपयोग आपने उस उत्तर को प्राप्त करने के लिए किया है, वे नक्शे के बाकी हिस्सों के प्रति पूरी तरह से "अंधे" हों।

वे कैसे कर रहे थे: ओवरलैपिंग शैडो (छायाओं का ओवरलैप) का जादू
इसे समझने के लिए, कल्पना करें कि आपके पास लोगों (डेटा डॉट्स) से भरा एक कमरा है और फ्लैशलाइट्स (कंप्रेस्ड बिट्स) का एक समूह है।

समस्या: यदि आप व्यक्ति A को स्पष्ट रूप से देखना चाहते हैं, तो आप उन पर एक फ्लैशलाइट जलाते हैं। लेकिन यदि वही फ्लैशलाइट व्यक्ति B पर भी पड़ती है, तो आपने अनजाने में किसी ऐसे व्यक्ति के सामने व्यक्ति B के स्थान को उजागर कर दिया है जो व्यक्ति A को देख रहा है।
पुराना तरीका: पिछले प्रयासों ने हर किसी को अपनी अलग फ्लैशलाइट देने की कोशिश की। लेकिन इसमें बहुत अधिक बैटरी (बिट्स) खर्च होती है, इसलिए नक्शा पर्याप्त रूप से सिकुड़ नहीं पाता है।
नया तरीका: लेखकों ने महसूस किया कि वे फ्लैशलाइट्स को ओवरलैप होने दे सकते हैं। वे व्यक्ति A और व्यक्ति B दोनों पर एक साथ रोशनी डालते हैं। आमतौर पर, यह बुरा होता है क्योंकि यह संकेतों को मिला देता है। लेकिन, उन्होंने एक विशेष "डिकोडर" (चश्मे की एक जोड़ी) को डिजाइन किया जो जानता है कि प्रकाश को ठीक से कैसे सुलझाना है।

यहाँ चतुराई भरा हिस्सा है: उन्होंने "ब्लॉक-मार्जिनल पॉलीटोप" नामक एक गणितीय आकार का उपयोग किया। इसे एक विशाल, बहु-आयामी जिग्सॉ पहेली की तरह समझें। उन्होंने सिद्ध किया कि भले ही फ्लैशलाइट्स ओवरलैप होती हैं, फिर भी एक विशिष्ट तरीका है जिससे छायाओं (संभावनाओं) को व्यवस्थित किया जा सकता है ताकि व्यक्ति A की छाया बिल्कुल वैसी ही दिखे जैसे व्यक्ति B के होने या न होने पर दिखती। यह एक जादू के खेल की तरह है जहाँ जादूगर का हाथ हिलता है, लेकिन दर्शक यह नहीं बता पाते कि खरगोश टोपी में है या नहीं।

उन्होंने क्या खारिज किया
यह शोध पत्र स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि गोपनीयता (privacy) के लिए आपको स्थान बर्बाद करने की आवश्यकता होती है। कुछ पहले के तरीकों ने नक्शे को छोटे टुकड़ों में काटकर उन्हें इधर-उधर घुमाने (एक तकनीक जिसे "चंकिंग" कहा जाता है) के माध्यम से इसे हल करने की कोशिश की थी। हालांकि यह काम करता है, लेकिन लेखक दिखाते हैं कि आपको गोपनीयता के लिए चीजों को काटने की आवश्यकता नहीं है। आप इसे एक ही सुचारू, निरंतर प्रवाह में कर सकते हैं। उन्होंने इस विचार को भी खारिज कर दिया कि आपको एक विशाल "चाबी" (जैसे यादृच्छिक संख्याओं की एक बड़ी सूची) की आवश्यकता है ताकि चीजें निजी रहें; उनकी विधि गोपनीयता को संपीड़न (compression) से इतनी कुशलता से अलग करती है कि "चाबी" की लागत नगण्य हो जाती है।

वे कितने आश्वस्त हैं?
लेखक बहुत आश्वस्त हैं, लेकिन वे गणितीय रूप से सटीक हैं। उन्होंने केवल कंप्यूटर सिमुलेशन नहीं चलाया और यह नहीं कहा, "देखो, यह काम करता है।" उन्होंने एक कठोर गणितीय प्रमाण प्रदान किया।

उन्होंने सिद्ध किया कि किसी भी दर (कंप्रेशन स्तर) के लिए जो सैद्धांतिक न्यूनतम (एन्ट्रॉपी) से थोड़ा अधिक है, एक योजना अस्तित्व में है।
उन्होंने दिखाया कि जैसे-जैसे नक्शा बड़ा होता जाता है (जैसे-जैसे $n$ अनंत की ओर जाता है), गलती करने (गलत बिंदु को डिकोड करने) की संभावना शून्य हो जाती है।
उन्होंने यह भी सिद्ध किया कि "गोपनीयता" पूरी तरह से बनी रहती है: आपके द्वारा पढ़े गए बिट्स अन्य सभी बिंदुओं से सांख्यिकीय रूप से स्वतंत्र हैं।

कैच (द "एसिम्प्टोटिक" भाग)
एक छोटी सी शर्त है। उनका प्रमाण तब सबसे अच्छा काम करता है जब नक्शा बहुत बड़ा हो। गणित इस बात पर निर्भर करता है कि नक्शा इतना बड़ा हो कि "शोर" (noise) पूरी तरह से औसत हो जाए। यह ऐसा है जैसे कहना कि सिक्का उछालना 50/50 है; यदि आप इसे दो बार उछालते हैं, तो आपको दो बार 'हेड्स' मिल सकते हैं, लेकिन यदि आप इसे दस लाख बार उछालते हैं, तो आपको बिल्कुल आधा ही मिलेगा। शोध पत्र सिद्ध करता है कि यह तरीका इस "अनंत" सीमा में काम करता है। वे यह दावा नहीं करते हैं कि उनके पास आज ही आपके फोन के लिए कोई तैयार ऐप है, लेकिन उन्होंने सिद्ध किया है कि दरवाजा खुला है और रास्ता मौजूद है।

संक्षेप में
यह शोध पत्र डेटा गोपनीयता के लिए एक "हाँ, हम कर सकते हैं" वाला क्षण है। यह हमें बताता है कि स्थान बचाने और रहस्य बनाए रखने के बीच का समझौता एक मिथक है। आप अपना केक (छोटा फ़ाइल आकार) भी पा सकते हैं और उसे खा भी सकते हैं (फ़ाइल के किसी भी हिस्से को बिना बाकी हिस्से की जासूसी किए देख सकते हैं), बशर्ते आपके पास सही गणितीय रेसिपी हो। लेखकों ने वह रेसिपी लिखी है, यह सिद्ध करते हुए कि पूर्ण, निजी, कंप्रेस्ड फ़ाइल केवल एक सपना नहीं है, बल्कि एक गणितीय वास्तविकता है।

तकनीकी सारांश: गोपनीयता-संरक्षण रैंडम एक्सेस के साथ संपीड़न (Compression)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक i.i.d. बाइनरी स्रोत $X = (X_1, \dots, X_n)$ के लॉसलेस कंप्रेशन (lossless compression) की समस्या को संबोधित करता है, जिसमें विश्वसनीयता (reliability) और स्थानीय गोपनीयता (local privacy) की दोहरी बाधाएं हैं। लक्ष्य स्रोत को $nR $लंबाई वाले एक कोडवर्ड$ C$ में एनकोड करना है ताकि:

विश्वसनीयता (Reliability): किसी भी स्रोत प्रतीक $X_i$ को एक स्थानीय डिकोडर द्वारा विश्वसनीय रूप से रिकवर किया जा सके, जो केवल कोडवर्ड बिट्स के एक छोटे उपसमुच्चय $C_{I_i}$ (जहाँ $I_i \subset \{1, \dots, nR\}$ ) तक पहुँच प्राप्त करता है।
गोपनीयता (Privacy): एक्सेस किए गए बिट्स का उपसमुच्चय $C_{I_i}$ शेष स्रोत प्रतीकों $X_{-i} = \{X_j : j \neq i\}$ के बारे में कोई जानकारी प्रकट नहीं करता है। औपचारिक रूप से, $X_i$ पर आधारित होने के बाद $C_{I_i}$ को $X_{-i}$ से स्वतंत्र होना चाहिए।

मुख्य चुनौती यह है कि कंप्रेशन के लिए विभिन्न इंडेक्स $i, j$ के लिए उपसमुच्चयों $I_i$ और $I_j$ के बीच ओवरलैप (overlap) आवश्यक होता है। ऐसे ओवरलैप से यह जोखिम उत्पन्न होता है कि डिकोडर $i$ द्वारा एक्सेस किए गए बिट्स अनजाने में $X_j$ के बारे में जानकारी लीक कर सकते हैं, जो गोपनीयता की बाधा का उल्लंघन करता है।

पिछले कार्य [12] ने प्रदर्शित किया कि छोटे $p$ वाले Bernoulli( $p$ ) स्रोतों के लिए, ऐसे स्कीम्स मौजूद हैं लेकिन उनकी दर $R$ , एंट्रॉपी $H(p)$ से $\log(1/p)$ के गुणात्मक कारक से अधिक होती है। एक बाद के स्कीम [14] ने "परम्यूट-एंड-कंप्रेस" (permute-and-compress) दृष्टिकोण का उपयोग करके एंट्रॉपी-रेट कंप्रेशन प्राप्त किया, लेकिन यह एक रैंडम परम्यूटेशन की (key) के माध्यम से एसिम्प्टोटिक "चंकिंग" (ब्लॉक लंबाई $\log n$ ) और कंप्रेशन से गोपनीयता को अलग करने पर निर्भर था।

मुख्य प्रश्न: क्या उपलब्ध दर और स्रोत एंट्रॉपी के बीच का अंतर गोपनीयता की बाधा के कारण स्वाभाविक (intrinsic) है, या क्या बिना किसी एसिम्प्टोटिक चंकिंग या बाहरी की (key) के, एंट्रॉपी से ऊपर किसी भी दर पर निजी स्थानीय डिकोडिंग प्राप्त की जा सकती है?

2. कार्यप्रणाली और तकनीकी दृष्टिकोण (Methodology and Technical Approach)

लेखक रैंडम कोडिंग (random coding) और संभाव्यता वितरणों के एक नवीन ज्यामितीय प्रतिनिधित्व के आधार पर एक रचनात्मक अस्तित्व प्रमाण (constructive existence proof) प्रस्तावित करते हैं।

A. रैंडम डिकोडर एन्सेम्बल (Random Decoder Ensemble)

स्कीम एक रैंडम डिकोडर का उपयोग करती है जिसे एक द्विपक्षीय ग्राफ (bipartite graph) $G$ और डिकोडिंग फंक्शन $f$ द्वारा परिभाषित किया गया है:

ग्राफ संरचना: प्रत्येक $n$ स्थानीय डिकोडर $b = \Theta(\log n)$ कोडवर्ड बिट्स के एक रैंडम उपसमुच्चय से जुड़ा होता है।
डिकोडिंग फंक्शन: प्रत्येक स्थानीय डिकोडर एक्सेस किए गए बिट्स का एक सिम्प्लेक्स कोड (हैमिंग कोड का ड्यूल) का सिंड्रोम (syndrome) कंप्यूट करता है और फिर एक रैंडम बाइनरी मैपिंग लागू करता है।
प्रमुख गुण: सिम्प्लेक्स कोड सिंड्रोम का उपयोग यह सुनिश्चित करता है कि किसी भी स्थानीय डिकोडर का आउटपुट उसके इनपुट के किन्हीं दो निर्देशांकों (coordinates) द्वारा निर्धारित नहीं किया जा सकता है। यह ओवरलैप के माध्यम से सूचना रिसाव को सीमित करता है, क्योंकि किसी भी दो एक्सेस सेट्स का प्रतिच्छेदन (intersection) $|I_i \cap I_j|$ छोटा होता है (उच्च संभावना के साथ अधिकतम 2)।

B. ब्लॉक-मार्जिनल पॉलीटोप प्रतिनिधित्व (Block-Marginal Polytope Representation)

मुख्य तकनीकी नवाचार ब्लॉक-मार्जिनल पॉलीटोप ( $P_G$ ) का उपयोग है, जो गोपनीयता और विश्वसनीयता बाधाओं को एक साथ संतुष्ट करने में मदद करता है।

परिभाषा: पूरे कोडवर्ड पर सीधे एक संयुक्त वितरण (joint distribution) बनाने के बजाय, लेखक एक वेक्टर $\phi$ को परिभाषित करते हैं जो एक्सेस सेट्स $\{C_{I_i}\}$ पर मार्जिनल वितरणों के सेट का प्रतिनिधित्व करता है।
व्यवहार्यता (Feasibility): एक वेक्टर $\phi$ "जेनेरेटेबल" (अर्थात, $\phi \in P_G$ ) है यदि एक संयुक्त कोडवर्ड वितरण मौजूद है जो इन विशिष्ट मार्जिन्स को प्रेरित करता है।
रणनीति: प्रमाण यह दर्शाता है कि एक विशिष्ट "अनुमानित" (approximate) ब्लॉक-मार्गल वेक्टर, $\phi_{A,x}$ $ϕ_{A, x}$ , उच्च संभावना के साथ जेनेरेटेबल है। यह निम्नलिखित का एक कॉनवेक्स कॉम्बिनेशन (convex combination) है:
1. आदर्श वेक्टर ( $\phi_{I,x}$ ): पूर्ण विश्वसनीयता (सही $X_i$ डिकोड करना) और पूर्ण गोपनीयता (मार्जिन्स केवल $X_i$ पर निर्भर हैं) का प्रतिनिधित्व करता है, लेकिन इसे सीधे बनाना कठिन है।
2. यूनिफॉर्म वेक्टर ( $\phi_U$ ): एक पूरी तरह से रैंडम कोडवर्ड का प्रतिनिधित्व करता है (जो स्वाभाविक रूप से निजी है लेकिन अविश्वसनीय है), जो हमेशा जेनेरेटेबल होता है।

यह दिखाते हुए कि $\phi_{A,x} = \frac{n}{n+1}\phi_{I,x} + \frac{1}{n+1}\phi_U$ जेनेरेटेबल सेट $P_G$ के भीतर है, लेखक यह सिद्ध करते हैं कि एक ऐसा कोड मौजूद है जो निजी है और जिसकी त्रुटि संभावना (error probability) शून्य की ओर जाती है।

C. ओवरलैप को संभालना (The Marginal Problem)

$\phi_{A,x} \in P_G$ को सिद्ध करने के लिए, लेखक एक मार्गल कंसिस्टेंसी समस्या को हल करते हैं। वे यूनिफॉर्म वितरण के तीन-चरणीय व्यवधान (perturbation) के माध्यम से एक संयुक्त वितरण का निर्माण करते हैं:

बिट मार्जिल्स (Bit Marginals): आवश्यक सिंगल-बिट मार्जिल्स से मेल खाने के लिए यूनिफॉर्म वितरण को एडजस्ट करना।
बिट-पेयर मार्जिल्स (Bit-Pair Marginals): पेयरवाइज मार्जिल्स से मेल खाने के लिए आगे एडजस्ट करना। यहाँ शर्त $|I_i \cap I_j| \le 2$ महत्वपूर्ण है; यह सुनिश्चित करती है कि एक बार बिट-पेयर मार्जिल्स फिक्स हो जाने के बाद, ब्लॉक मार्जिल्स को बिना किसी संघर्ष के स्वतंत्र रूप से एडजस्ट किया जा सकता है।
ब्लॉक मार्जिल्स (Block Marginals): कोड के लिए आवश्यक पूर्ण ब्लॉक मार्जिल्स से मेल खाने के लिए अंतिम समायोजन।

यह रचनात्मक दृष्टिकोण इस तथ्य पर निर्भर करता है कि बाधाओं को संतुष्ट करने के लिए आवश्यक व्यवधान इतने छोटे हैं कि वे प्रोबेबिलिटी मास फंक्शन की गैर-ऋणात्मकता (non-negativity) को बनाए रखते हैं।

3. मुख्य परिणाम (Key Results)

थ्योरम 1 (मुख्य परिणाम):
किसी भी i.i.d. Bernoulli( $p$ ) स्रोत के लिए जहाँ $0 < p \le 1/2$ है और किसी भी दर $R > H(p)$ के लिए, ऐसे कंप्रेशन स्कीम्स का एक अनुक्रम (sequence) मौजूद है जो:

स्थानीय रूप से निजी रूप से डिकोडेबल हैं: किसी भी $X_i$ के लिए एक्सेस किए गए बिट्स $X_{-i}$ से स्वतंत्र हैं।
विश्वसनीय हैं: जैसे-जैसे $n \to \infty$ होता है, डिकोडिंग त्रुटि की संभावना शून्य हो जाती है।
दर-इष्टतम (Rate-Optimal) हैं: यह स्कीम एंट्रॉपी से ऊपर की किसी भी दर को प्राप्त करती है, जिससे पिछले कार्यों में पाया गया अंतर समाप्त हो जाता है।

गैर-बाइनरी स्रोतों के लिए विस्तार (Extension to Non-Binary Sources):
यह परिणाम गैर-बाइनरी i.i.d. स्रोतों तक विस्तृत है, जहाँ प्रत्येक प्रतीक के बाइनरी प्रतिनिधित्व को स्वतंत्र रूप से एनकोड किया जाता है। उपलब्ध दर $\sum H(p_\ell)$ के करीब पहुँचती है, जो स्रोत वितरण और बाइनरी लेबलिंग के आधार पर $\log |\mathcal{X}|$ से कम हो सकती है।

डिस्टॉर्शन बनाम ज़ीरो-एरर (Distortion vs. Zero-Error):
प्राथमिक निर्माण उच्च संभावना के साथ छोटा औसत डिस्टॉर्शन (हैमिंग दूरी) प्राप्त करता है। इसके बाद, पेपर एक द्वितीयक कंप्रेशन स्टेप (त्रुटि वेक्टर को पुनः एनकोड करना) का उपयोग करता है, जो [12] के परिणाम का उपयोग करके गोपनीयता बनाए रखते हुए ज़ीरो-एरर लॉसलेस कंप्रेशन प्राप्त करता है।

4. महत्व और दावे (Significance and Claims)

यह शोध पत्र इस प्रश्न को हल करने का दावा करता है कि क्या गोपनीयता बाधाएं स्थानीय डिकोडिंग के लिए कंप्रेशन दक्षता को स्वाभाविक रूप से सीमित करती हैं।

अंतर को समाप्त करना: यह प्रदर्शित करता है कि [12] में देखा गया एंट्रॉपी के साथ गुणात्मक अंतर गोपनीयता की बाधा के लिए स्वाभाविक (intrinsic) नहीं है। एंट्रॉपी से ऊपर किसी भी दर पर निजी स्थानीय डिकोडिंग प्राप्त की जा सकती है।
संयुक्त अनुकूलन (Joint Optimization): "परम्यूट-एंड-कंप्रेस" स्कीम [14] के विपरीत, जो एक रैंडम परम्यूटेशन को की (key) के रूप में उपयोग करके प्रभावी रूप से कंप्रेशन से गोपनीयता को अलग करती है, प्रस्तावित स्कीम कंप्रेशन और गोपनीयता को संयुक्त रूप से संभालती है। यह एक्सेस सेट्स के बीच ओवरलैप को सीधे ब्लॉक-मार्गल पॉलीटोप के ज्यामितीय गुणों के माध्यम से संबोधित करती है।
स्वतंत्र रुचि: विशिष्ट मार्गल बाधाओं को संतुष्ट करने के लिए एक संयुक्त वितरण के अस्तित्व को सिद्ध करने के लिए (ब्लॉक-मार्गल पॉलीटोप जैसे) ज्यामितीय प्रतिनिधित्व का उपयोग करने की तकनीक को शास्त्रीय मार्गल समस्या से संबंधित अन्य समस्याओं के लिए एक स्वतंत्र रुचि के उपकरण के रूप में प्रस्तुत किया गया है।

5. सीमाएँ और खुले प्रश्न (Limitations and Open Problems)

लेखक कई सीमाओं और भविष्य की दिशाओं को नोट करते हैं:

एसिम्प्टोटिक प्रकृति: यह स्कीम एसिम्प्टोटिक है; दर को एंट्रॉपी के करीब पहुँचने और संभाव्य तर्कों के काम करने के लिए ब्लॉक लंबाई $n$ का बढ़ना आवश्यक है।
स्पष्ट निर्माण (Explicit Construction): यह प्रमाण विशिष्ट एनकोडर/डिकोडर जोड़ी के संबंध में गैर-रचनात्मक (non-constructive) है (यह रैंडम कोडिंग के माध्यम से अस्तित्व सिद्ध करता है)। एक स्पष्ट, कुशल और गैर-एसिम्प्टोटिक स्कीम खोजना एक खुला प्रश्न बना हुआ है।
लोकैलिटी (Locality): वर्तमान स्कीम की लोकैलिटी $b = \Theta(\log n)$ है। यह एक खुला प्रश्न है कि क्या गोपनीयता के साथ स्थिरांक लोकैलिटी (constant locality - $n$ से स्वतंत्र) प्राप्त की जा सकती है।
मेमोरी: वर्तमान परिणाम मेमोरीलेस (i.i.d.) स्रोतों तक सीमित हैं; मेमोरी वाले स्रोतों तक विस्तार करना अनुसंधान का एक खुला क्षेत्र है।