📈 economics

Persuasive Privacy

यह शोधपत्र गोपनीयता को मापने के लिए एक नवीन बेयसियन गेम-थ्योरेटिक ढांचे को प्रस्तुत करता है जो डिफरेंशियल प्राइवेसी जैसी मौजूदा परिभाषाओं को एकीकृत करता है, पोस्ट-प्रोसेसिंग की नई व्याख्याएं प्रदान करता है, और गोपनीयता की गारंटियों को उन नियत एल्गोरिदम (डिटरमिनिस्टिक एल्गोरिदम) तक विस्तारित करता है जिन्हें वर्तमान मानकों द्वारा अनदेखा किया गया था।

मूल लेखक: Joshua J Bon, James Bailie, Judith Rousseau, Christian P Robert

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joshua J Bon, James Bailie, Judith Rousseau, Christian P Robert

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 आप एक गुप्त रेसिपी (आपका डेटा) के संरक्षक हैं। आप एक खाद्य समीक्षक (प्राप्तकर्ता) के साथ रेसिपी के बारे में एक संकेत साझा करना चाहते हैं ताकि वे एक अच्छी समीक्षा लिख सकें, लेकिन आप नहीं चाहते कि वे सटीक सामग्री का पता लगा सकें।

लंबे समय तक, यह करने का मानक तरीका डिफरेंशियल प्राइवेसी (Differential Privacy) कहलाता था। इसे ऐसे समझें जैसे आप अपनी रेसिपी के संकेत में एक विशिष्ट मात्रा में "शोर" (noise) या "स्टैटिक" (static) जोड़ रहे हैं। यदि स्टैटिक पर्याप्त तेज़ है, तो समीक्षक आपका रहस्य नहीं सुन पाएगा। लेकिन इस दृष्टिकोण की कुछ समस्याएँ हैं:

यह विशेषज्ञों के अलावा अन्य लोगों को यह समझाने में कठिन है कि एक निश्चित मात्रा में स्टैटिक क्यों सुरक्षित है।
यह "डिटरमिनिस्टिक" (deterministic) संकेतों के साथ संघर्ष करता है—जैसे कि केवल यह कहना कि "नमक की औसत मात्रा 5 ग्राम है।" यदि आप बिना स्टैटिक जोड़े सटीक संख्या बताते हैं, तो पुराने नियमों के अनुसार आप विफल हो गए हैं, भले ही समीक्षक किसी भी एक व्यक्ति के नमक के सटीक स्तर का अनुमान न लगा सका हो।

यह पेपर पर्सुएसिव प्राइवेसी (Persuasive Privacy) नामक एक नया ढांचा प्रस्तावित करता है। केवल शोर जोड़ने के बजाय, यह गोपनीयता को आपके (प्रेषक) और समीक्षक (प्राप्तकर्ता) के बीच अनुनय के खेल (game of persuasion) के रूप में देखता है।

खेल की व्यवस्था (The Game Setup)

प्रेषक (आप): आपके पास वास्तविक डेटा है। आप एक सारांश (एक मैकेनिज्म) जारी करना चाहते हैं जो उपयोगी हो लेकिन आपके रहस्यों को सुरक्षित रखे।
प्राप्तकर्ता (समीक्षक): उनके पास वास्तविक डेटा नहीं है। उनके पास एक "अंदाजा" या पूर्व धारणा है कि डेटा क्या हो सकता है। वे आपके सारांश को देखते हैं और निर्णय लेने (जैसे किसी विशिष्ट सामग्री का अनुमान लगाने) का प्रयास करते हैं।
लक्ष्य: आपको अपना सारांश इस तरह से डिजाइन करना चाहिए कि, समीक्षक की शुरुआती धारणा चाहे जो भी हो, उनका अंतिम अनुमान आपकी गोपनीयता को अधिक नुकसान न पहुँचाए।

यह कैसे काम करता है: "स्कोरकार्ड" (The Scorecard)

इस खेल में, गोपनीयता केवल एक बाइनरी "सुरक्षित/असुरक्षित" स्विच नहीं है। इसे एक स्कोरकार्ड द्वारा मापा जाता है।

कुछ भी साझा करने से पहले, समीक्षक के पास डेटा के बारे में एक विश्वास (प्रोबेबिलिटी डिस्ट्रीब्यूशन) होता है।
सारांश साझा करने के बाद, समीक्षक अपने विश्वास को अपडेट करता है।
प्राइवेसी लॉस (Privacy Loss) इस बात का अंतर है कि समीक्षक सारांश साझा करने से पहले कितना आश्वस्त था और बाद में कितना आश्वस्त है।
यदि समीक्षक पहले से ही बहुत आश्वस्त था, या यदि आपके सारांश ने उनके मन को बहुत अधिक नहीं बदला, तो आपका प्राइवेसी स्कोर उच्च बना रहता है। यदि आपका सारांश उन्हें अचानक अपने रहस्य के प्रति निश्चित कर देता है, तो आपका प्राइवेसी स्कोर गिर जाता है।

यह पेपर तर्क देता है कि आपको अपना डेटा रिलीज इस तरह से डिजाइन करना चाहिए कि यह सुनिश्चित हो सके कि "प्राइवेसी स्कोर में गिरावट" कभी भी बहुत अधिक न हो, यहाँ तक कि उस बदतर स्थिति में भी जहाँ समीक्षक बहुत चतुर हो या उसकी कोई विशिष्ट धारणा हो।

यह बेहतर क्यों है? (रचनात्मक उपमाएँ)

1. "शोर वाला कमरा" बनाम "स्मार्ट जासूस"

पुराना तरीका (डिफरेंशियल प्राइवेसी): कल्पना करें कि आप एक शोर वाले कमरे में हैं। अपने फुसफुसाने को छिपाने के लिए, आप एक तेज़ चलते पंखे के ऊपर चिल्लाते हैं। पंखा (शोर) सुनने वाले के बावजूद एक समान रहता है। यदि पंखा पर्याप्त तेज़ नहीं है, तो सुनने वाला आपको सुन लेगा।
नया तरीका (पर्सुएसिव प्राइवेसी): कल्पना करें कि आप एक जासूस से बात कर रहे हैं जिसके पास आपके मामले के बारे में एक सिद्धांत है। आप उन्हें एक सुराग देते हैं। पेपर पूछता है: "क्या यह सुराग जासूस के सिद्धांत को सच होने के लिए महत्वपूर्ण रूप से अधिक संभावित बनाता है?" यदि जासूस 90% निश्चित था, और आपके सुराग ने उसे केवल 91% तक पहुँचाया, तो आप सुरक्षित हैं। यदि वे 10% पर थे और आपका सुराग उन्हें 90% पर ले गया, तो आप मुसीबत में हैं। यह ढांचा आपको स्थिति के अनुसार "सुराग" को अनुकूलित करने की अनुमति देता है, बजाय इसके कि आप हर जगह शोर मचाएं।

2. "डिटरमिनिस्टिक" पहेली
यह पेपर एक बड़ी जीत को उजागर करता है: डिटरमिनिस्टिक मैकेनिज्म्स (Deterministic Mechanisms)।

समस्या: पुराने नियमों में, यदि आप लोगों के एक समूह की औसत ऊंचाई की गणना करते हैं और सटीक संख्या प्रकाशित करते हैं (बिना शोर जोड़े), तो इसे गोपनीयता की विफलता माना जाता है। गणित कहता है "आपने सटीक संख्या दे दी!"
नया समाधान: पेपर दिखाता है कि यदि समूह पर्याप्त बड़ा है, और समीक्षक की प्रारंभिक धारणाएं उचित हैं, तो सटीक औसत प्रकाशित करना पूरी तरह से सुरक्षित हो सकता है। क्यों? क्योंकि सटीक औसत के साथ भी, समीक्षक समूह में किसी एक व्यक्ति की ऊंचाई का पता नहीं लगा सकता। नया ढांचा हमें गणितीय रूप से सिद्ध करने की अनुमति देता है कि "शोर वाला होना" हमेशा आवश्यक नहीं है; कभी-कभी, स्थिति का गणित ही सुरक्षा प्रदान करता है।

3. "पोस्ट-प्रोसेसिंग" सुरक्षा जाल (The Post-Processing Safety Net)
पुरानी दुनिया में, यदि आप एक निजी डेटासेट लेते हैं और उस पर एक जटिल गणना चलाते हैं (पोस्ट-प्रोसेसिंग), तो आपको डर होता है कि आप अनजाने में गोपनीयता के नियमों को तोड़ सकते हैं।

नई अंतर्दृष्टि: पेपर दिखाता है कि यदि आप उनके खेल के नियमों का पालन करते हैं, तो समीक्षक आपके आउटपुट पर अपनी खुद की गणना करके अधिक नहीं सीख सकता है। यदि आप उन्हें एक सुरक्षित सारांश देते हैं, तो वे अतिरिक्त गणित करके उस सुरक्षित सारांश को खतरनाक सारांश में नहीं बदल सकते। यह एक लॉक किए गए बॉक्स को देने जैसा है; वे बॉक्स को हिला सकते हैं या उसका वजन कर सकते हैं, लेकिन वे अतिरिक्त काम करके उसे खोल नहीं सकते या उसके अंदर नहीं देख सकते।

बड़ी तस्वीर (The Big Picture)

लेखक मूल रूप से कह रहे हैं: "गोपविता को 'वन-साइज़-फिट्स-ऑल' शोर मशीन के रूप में देखना बंद करें। इसके बजाय, इसे एक रणनीतिक खेल के रूप में देखें जहाँ आप, डेटा धारक, दुनिया को यह साबित करते हैं कि हमलावर चाहे जो भी जानता हो या जिसका अनुमान लगाए, आपका डेटा रिलीज उन्हें जीतने वाला हाथ नहीं देगा।"

यह दृष्टिकोण अनुमति देता है:

स्पष्ट नियम: आप अपने विशिष्ट डेटा के लिए सटीक रूप से परिभाषित कर सकते हैं कि "हानि" क्या दिखती है।
बेहतर उपयोगिता (Utility): आप अनावश्यक शोर जोड़े बिना अधिक उपयोगी जानकारी (जैसे सटीक औसत) साझा कर सकते हैं, जब तक कि खेल के नियम यह दिखा दें कि हमलावर अभी भी जीत नहीं सकता।
लचीलापन: यह दोनों (रैंडम/शोर वाले और सटीक/डिटरमिनिस्टिक) डेटा के लिए काम करता है।

संक्षेप में, पर्सुएसिव प्राइवेसी यह साबित करने के बारे में है कि आपको धोखा नहीं दिया जा सकता, बजाय इसके कि केवल इस उम्मीद में कि शोर सत्य को छिपाने के लिए पर्याप्त तेज़ होगा।

तकनीकी सारांश: पर्सुएसिव प्राइवेसी (Persuasive Privacy)

समस्या विवरण

यह शोध पत्र वर्तमान डेटा गोपनीयता मानकों, विशेष रूप से डिफरेंशियल प्राइवेसी (DP) की सीमाओं को संबोधित करता है। जबकि DP एक मानक बन गया है, इसे अपने मापदंडों की व्याख्या के संबंध में वैचारिक चुनौतियों, कानूनी/सामाजिक गोपनीयता धारणाओं और वास्तविक दुनिया के परिनियोजन में अक्सर शून्य (vacuous) होने वाले प्राइवेसी लॉस बजटों के मामले में समस्याओं का सामना करना पड़ता है। महत्वपूर्ण रूप से, मौजूदा DP ढांचे डिटरमिनिस्टिक एल्गोरिदम (जैसे कि अमेरिकी जनगणना सारांश जैसे अपरिवर्तनीय सांख्यिकी) के लिए गैर-शून्य गारंटी प्रदान करने में संघर्ष करते हैं, क्योंकि ये तंत्र शोर (noise) जोड़ने के बिना इनपुट डेटा के बारे में जानकारी लीक करते हैं। इसके अलावा, DP की सिमेंटिक व्याख्याएं अक्सर 'पोस्ट-हॉक' (घटना के बाद) निर्मित की जाती हैं, जिससे उन्हें विशिष्ट उपयोग के मामलों के लिए अनुकूलित करना या सहजता से समझना कठिन हो जाता है।

लेखक एक ऐसे ढांचे की आवश्यकता प्रस्तावित करते हैं जो:

ऐसी गोपनीयता परिभाषाएं उत्पन्न करे जो "उद्देश्य के अनुकूल" (fit for purpose) हों और कठोरता से न्यायसंगत हों।
मौजूदा गोपनीयता गारंटियों का एक एकीकृत दृष्टिकोण से मूल्यांकन करे।
डिटरमिनिस्टिक एल्गोरिदम की गोपनीयता का मूल्यांकन करे, जो एक ऐसी क्षमता है जो वर्तमान में DP और इसके अधिकांश वेरिएंट में अनुपस्थित है।

कार्यप्रणाली (Methodology)

लेखक पर्सुएसिव प्राइवेसी (PP) पेश करते हैं, जो बेयसियन गेम थ्योरी पर आधारित एक नवीन ढांचा है। यह ढांचा डेटा रिलीज प्रक्रिया को एक दो-खिलाड़ी वाले स्टैकेलबर्ग गेम (Stackelberg game) के रूप में मॉडल करता है जिसमें शामिल हैं:

सेंडर (Sender): संवेदनशील डेटा $x \in \mathcal{X}$ का संरक्षक जो सूचना जारी करने के लिए एक मैकेनिज्म $M$ डिजाइन करता है।
रिसीवर (Receiver): एक विरोधी (adversary) जिसे $x$ के बारे में अनिश्चितता है, जिसे एक प्रायर डिस्ट्रीब्यूशन (prior distribution) $Q$ द्वारा दर्शाया गया है। रिसीवर $M$ के आउटपुट को देखता है और अपने विश्वास को एक पोस्टीरियर $Q_T$ में अपडेट करता है, फिर एक क्रिया $d$ लेता है जो सेंडर की गोपनीयता को प्रभावित करती है।

मुख्य घटक

प्राइवेसी फंक्शन्स और स्कोर: सेंडर की गोपनीयता को एक प्राइवेसी फंक्शन $\rho(d, x)$ के माध्यम से मापा जाता है, जो रिसीवर के निर्णयों पर सेंडर की प्राथमिकता को दर्शाता है। इसे प्रॉपर स्कोरिंग रूल्स $S(P, x)$ का उपयोग करके समान रूप से फ्रेम किया जा सकता है, जहाँ रिसीवर का निर्णय वह वितरण $P$ है जो अपेक्षित हानि (expected loss) को कम करता है। "प्राइवेसी स्कोर" यह मापता है कि रिसीवर का विश्वास वास्तविक डेटा की कितनी अच्छी तरह भविष्यवाणी करता है।
रिलेटिव प्राइवेसी लॉस (Relative Privacy Loss): ढांचा डेटा रिलीज के कारण होने वाले गोपनीयता के परिवर्तन पर ध्यान केंद्रित करता है। रिलेटिव प्राइवेसी स्कोर को $\Delta(Q, T, x) = S(Q, x) - S(Q_T, x)$ के रूप में परिभाषित किया गया है। कम मान अधिक गोपनीयता प्रतिधारण (privacy retention) को दर्शाता है।
मजबूती संबंधी धारणाएं (Robustness Assumptions):
- पारदर्शिता (Transparency): सेंडर मैकेनिज्म $M$ और प्राइवेसी क्लास $C$ (जो परिभाषा द्वारा उत्पन्न होती है) को रिसीवर के साथ साझा करता है, लेकिन ये परिभाषाएं विशिष्ट डेटा $x$ पर निर्भर नहीं होनी चाहिए।
- बेयसियन तर्कसंगतता (Bayesian Rationality): रिसीवर एक बेयस-ऑप्टिमल एजेंट के रूप में कार्य करता है, जो बेयस नियम के माध्यम से अपने विश्वासों को अपडेट करता है और अपेक्षित हानि को कम करने के लिए क्रियाएं चुनता है।
- वर्स्ट-केस असेसमेंट (Worst-Case Assessment): सेंडर एक निर्दिष्ट क्लास $\mathcal{Q}_x$ के भीतर वर्स्ट-केस डेटा-प्रायर $Q$ और वर्स्ट-केस डेटासेट $x$ के विरुद्ध मजबूती से गोपनीयता का आकलन करता है।
पर्सुएसिव प्राइवेसी की परिभाषा: एक मैकेनिज्म $M$ , $(\mathcal{S}, \mathcal{Q}_x, \kappa, \delta)$ -PP है यदि, सभी स्कोरिंग रूल्स के सेट $\mathcal{S}$ के लिए, सभी डेटासेट्स $x$ , और सभी प्रायर $Q \in \mathcal{Q}_x$ के लिए, इस बात की संभावना कि रिलेटिव प्राइवेसी लॉस एक थ्रेशोल्ड $\kappa$ से अधिक है, $\delta$ से अधिक नहीं है:
$\inf_{S \in \mathcal{S}} \inf_{x \in \mathcal{X}} \inf_{Q \in \mathcal{Q}_x} P_x [\Delta_S(Q, T, x) \le \kappa] \ge 1 - \delta$

मुख्य योगदान और परिणाम

1. सैद्धांतिक एकीकरण और मौजूदा परिभाषाओं की रिकवरी

ढांचा स्थापित गोपनीयता परिभाषाओं को विशेष मामलों के रूप में सफलतापूर्वक रिकवर करता है, उन्हें एक नया गेम-थ्योरेटिक अर्थ प्रदान करता है:

प्रोबेबिलिस्टिक डिफरेंशियल प्राइवेसी (PDP): लेखक सिद्ध करते हैं कि एक मैकेनिज्म $(\epsilon, \delta)$ -PDP है यदि और केवल यदि वह $(\mathcal{L}, \mathcal{H}, \epsilon, \delta)$ -PP है, जहाँ $\mathcal{L}$ नेगेटिव लॉग-प्रोबेबिलिटी स्कोर है और $\mathcal{H}$ पड़ोसी डेटासेट्स का प्रतिनिधित्व करने वाले दो-घटक वाले डिस्क्रीट प्रायर का एक क्लास है। यह PDP को एक ऐसे वर्स्ट-केस के विरुद्ध सुरक्षा के रूप में व्याख्या करता है जहाँ रिसीवर की वास्तविक डेटा पर संभावना नगण्य होती है।
रेनी डिफरेंशियल प्राइवेसी (RDP) और f-डाइवर्जेंस प्राइवेसी: असेसमेंट कंडीशन को टेल प्रोबेबिलिटी (Assumption 4) से बदलकर अपेक्षित मान (Expected value) की स्थिति (Assumption 4*) में बदलकर, यह ढांचा पर्सुएसिव प्राइवेसी इन एक्सपेक्टेशन (PPE) प्रदान करता है। यह वेरिएंट RDP और f-डाइवर्जेंस प्राइवेसी को रिकवर करता है, जो उन्हें सीधे प्राइवेसी स्कोर के अपेक्षित परिवर्तन से जोड़ता है।

2. पोस्ट-प्रोसेसिंग गुण (Post-Processing Properties)

यह शोध पत्र दो प्रकार के पोस्ट-प्रोसेसिंग के बीच अंतर करता है:

रिसीवर पोस्ट-प्रोसेसिंग: ढांचा इस गुण को संतुष्ट करता है, जिसका अर्थ है कि रिसीवर आउटपुट को पोस्ट-प्रोसेस करके अतिरिक्त जानकारी प्राप्त नहीं कर सकता है। यह DP के एडवरसेरियल रोबस्टनेस के मानक औचित्य के अनुरूप है।
सेंडर पोस्ट-प्रोसेसिंग: ढांचा मानक सेंडर पोस्ट-प्रोसेसिंग असमानता (जहाँ एक प्राइवेट मैकेनिज्म को एक कर्नेल के साथ संयोजित करने पर भी निजी रहता है) को संतुष्ट नहीं करता है। लेखक दिखाते हैं कि यह PDP की एक ज्ञात सीमा है। हालांकि, वे यह भी प्रदर्शित करते हैं कि एक सेंडर मूल और रूपांतरित मैकेनिज्म के संयुक्त आउटपुट को जारी करके आसानी से इस गारंटी को पूरा कर सकता है, जिससे प्राइवेसी लॉस को नियंत्रित किया जा सके।

3. डिटरमिनिस्टिक मैकेनिज्म के लिए गोपनीयता

एक प्राथमिक योगदान डिटरमिनिस्टिक मैकेनिज्म के लिए गैर-शून्य गोपनीयता गारंटी को परिभाषित करने की क्षमता है, जिन्हें आमतौर पर DP से बाहर रखा जाता है। शोध पत्र दो ठोस उदाहरण प्रदान करता है:

प्राइवेट एम्पिरिकल एवरेज (Private Empirical Average): मार्जिनल डेविड-सेबास्टियानी स्कोर (DSS) का उपयोग करते हुए और रिसीवर प्रायर क्लास को प्रतिबंधित करके (विशेष रूप से प्रायर मीन और ट्रू मीन के बीच की दूरी को वेरिएंस के सापेक्ष सीमित करके), लेखक बिना शोर के सटीक एम्पिरिकल एवरेज जारी करने के लिए एक पर्सुएसिव प्राइवेसी गारंटी स्थापित करते हैं।
प्राइवेट सेल सप्रेशन (Private Cell Suppression): उन मैकेनिज्म के लिए जो कॉन्टिंजेंसी टेबल्स में छोटी गणनाओं (counts) को दबाते हैं, यह ढांचा लॉग-प्रोबेबिलिटी स्कोर का उपयोग करके एक गारंटी स्थापित करता है। प्राइवेसी पैरामीटर छोटी सेल काउंट्स के संबंध में रिसीवर के प्रायर विश्वास की शक्ति द्वारा निर्धारित होता है।

महत्व और दावे

शोध पत्र का दावा है कि पर्सुएसिव प्राइवेसी डेटा गोपनीयता के लिए एक सिमेंटिक्स-फर्स्ट (अर्थ-प्रथम) दृष्टिकोण प्रदान करती है। DP के विपरीत, जहाँ सिमेंटिक व्याख्याएं अक्सर बाद में निकाली जाती हैं, PP परिभाषाओं का निर्माण एक एजेंट-आधारित खेल से करता है जहाँ धारणाएं (जैसे रिसीवर का प्रायर क्लास, लॉस फंक्शन) स्पष्ट हैं और वास्तविक संदर्भों के विरुद्ध परीक्षण की जा सकती हैं।

इस कार्य का महत्व निम्नलिखित में निहित है:

लचीलापन (Flexibility): यह उपयुक्त स्कोरिंग रूल्स और प्रायर क्लास का चयन करके विशिष्ट डेटा संदर्भों (जैसे डिटरमिनिस्टिक सारांश) के लिए अनुकूलित उद्देश्य-संचालित गोपनीयता परिभाषाएं उत्पन्न करने की अनुमति देता है।
मजबूती (Robustness): रिसीवर को एक बेयसियन एजेंट के रूप में स्पष्ट रूप से मॉडल करके और प्रायर और डेटा के वर्स्ट-केस परिदृश्यों का आकलन करके, यह ढांचा गोपनीयता गारंटियों के लिए कठोर, गेम-थ्योरेटिक औचित्य प्रदान करता है।
अंतराल को भरना (Bridging the Gap): यह डिटरमिनिस्टिक डिस्क्लोजर कंट्रोल विधियों (जो आधिकारिक सांख्यिकी में सामान्य हैं) को आधुनिक गोपनीयता सिद्धांत के साथ औपचारिक रूप से जोड़ता है, जिससे एक महत्वपूर्ण अंतराल भर जाता है जहाँ वर्तमान मानक अपरिवर्तनीय सांख्यिकी की रक्षा करने में विफल रहते हैं।

लेखक स्वीकार करते हैं कि हालांकि ढांचा लचीला है, लेकिन यह सुनिश्चित करने के लिए सावधानी बरती जानी चाहिए कि चुने गए स्कोरिंग रूल्स और प्रायर क्लास विशिष्ट परिनियोजन संदर्भ के लिए उपयुक्त हों ताकि लचीलेपन का दुरुपयोग न हो। वे यह भी नोट करते हैं कि दिए गए पर्सुएसिव प्राइवेसी क्लास के भीतर उपयोगिता-इष्टतम (utility-optimal) मैकेनिज्म को निर्धारित करना भविष्य के अनुसंधान का एक खुला क्षेत्र है।