🔢 mathematics

Universal Shuffle Asymptotics: Sharp Privacy Analysis in the Gaussian Regime

यह शोध पत्र सटीक लाइकलीहुड-रेशियो पहचान (likelihood-ratio identities), सार्वभौमिक डाइवर्जेंस विस्तार (universal divergence expansions), और सटीक स्पर्शोन्मुखी सीमाओं (asymptotic bounds) को व्युत्पन्न करके गॉसियन शासन (Gaussian regime) में शफलिंग द्वारा प्रवर्धन (amplification by shuffling) के लिए एक तीक्ष्ण, प्रयोग-स्तर का गोपनीयता सिद्धांत स्थापित करता है जो पूर्ण गोपनीयता वक्र (privacy curve) को चित्रित करता है और बंडल्ड बनाम अनबंडल्ड मल्टी-मैसेज प्रोटोकॉल की तुलना करता है।

मूल लेखक: Alex Shvets

प्रकाशित 2026-03-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alex Shvets

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 किसी समूह के व्यक्तिगत डेटा को देखे बिना उनकी गुप्त आदतों का अनुमान लगाने की कोशिश कर रहे हैं। यह डिफरेंशियल प्राइवेसी (Differential Privacy - DP) की दुनिया है।

इस शोध पत्र में, लेखक, एलेक्स श्वेट्स (Alex Shvets), एक मास्टर शेफ और एक गणितज्ञ के मिश्रण की तरह व्यवहार कर रहे हैं। वह शफल मॉडल (Shuffle Model) नामक एक गोपनीयता-संरक्षित व्यंजन को पूर्ण बनाने की कोशिश कर रहे हैं।

यहाँ इस पेपर के काम का विवरण दिया गया है, जिसे सरल उपमाओं (analogies) का उपयोग करके समझाया गया है।

1. सेटअप: "आंखों पर पट्टी बांधकर मिलाने वाला" (The Blindfolded Mixer)

कल्पना कीजिए कि एक कमरे में 1,000 लोग हैं। प्रत्येक व्यक्ति के पास जानकारी का एक गुप्त अंश है (जैसे "मैंने उम्मीदवार A को वोट दिया" या "मैंने उम्मीदवार B को वोट दिया")।

समस्या: यदि हर कोई एक साथ अपना उत्तर चिल्लाता है, तो सरकार (या कोई बुरा व्यक्ति) ठीक से सुन सकता है कि किसने क्या कहा।
स्थानीय समाधान (Local Solution): हर कोई अपना उत्तर एक भरोसेमंद मित्र (एक "लोकल रैंडमाइज़र") को फुसफुसाकर बताता है जो आवाज में थोड़ा सा 'स्टैटिक नॉइज़' (शोर) जोड़ देता है। यह व्यक्ति की रक्षा करता है, लेकिन शोर इतना तेज़ होता है कि अंतिम उत्तर बेकार हो जाता है।
शफल समाधान (The Shuffle Solution - जादुई ट्रिक): चिल्लाने के बजाय, हर कोई अपनी शोर भरी फुसफुसाहट को एक विशाल, अपारदर्शी, घूमते हुए ड्रम (शफ़लर) में डाल देता है। ड्रम घूमता है, आवाजों को मिलाता है, और उन्हें ध्वनि के एक ढेर के रूप में बाहर निकालता है। विश्लेषक केवल ढेर की कुल मात्रा सुन पाता है, न कि यह कि किसने क्या कहा।

पेपर का लक्ष्य: वर्षों तक, हमें पता था कि यह "शफल मॉडल" सुरक्षित है, लेकिन हमारे पास केवल इसके सुरक्षित होने के अनुमान थे। यह ऐसा था जैसे कहना, "यह कार सुरक्षित है," बिना यह जाने कि इसकी सटीक गति सीमा या क्रैश टेस्ट रेटिंग क्या है। श्वेट्स का पेपर सटीक स्पीडोमीटर और क्रैश टेस्ट डेटा प्रदान करता है।

2. मुख्य खोज: "गौसियन बेल कर्व" (The Gaussian Bell Curve)

यह पेपर सिद्ध करता है कि जब लोगों की संख्या बहुत अधिक होती है (बड़ा $n$ ), तो इस मिक्सिंग ड्रम की गोपनीयता सुरक्षा बिल्कुल एक गौसियन (बेल) कर्व की तरह व्यवहार करती है।

उपमा: कल्पना कीजिए कि आप भीड़ की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं। यदि आप एक व्यक्ति को मापते हैं, तो यह एक जंगली अनुमान है। यदि आप 1,000 लोगों को मापते हैं, तो औसत एक आदर्श, अनुमानित बेल आकार में स्थिर हो जाता है।
ब्रेकथ्रू: श्वेट्स दिखाते हैं कि "प्राइवेसी लॉस" (एक हमलावर कितना जान पाता है) भी इसी पूर्ण बेल आकार में स्थिर हो जाता है। यह बहुत बड़ी बात है क्योंकि इसका मतलब है कि हम साधारण, अच्छी तरह से ज्ञात गणित (गौसियन सांख्यिकी) का उपयोग करके सटीक गोपनीयता गारंटी की गणना कर सकते हैं, न कि अव्यवस्थित, रूढ़िवादी अनुमानों का।

3. "फिक्स्ड कंपोजिशन" की गलती (केक की उपमा)

सामग्री को गिनने के बारे में इस पेपर की सबसे महत्वपूर्ण सुधारों में से एक है।

पुराना तरीका: कल्पना कीजिए कि आप दो अलग-अलग बैगों से आटा और चीनी लेकर एक केक बना रहे हैं। आप गलती से बहुत अधिक आटा और बहुत कम चीनी ले सकते हैं।
नया तरीका (Fixed Composition): पेपर यह स्पष्ट करता है कि शफल मॉडल में, सामग्रियां निश्चित (fixed) होती हैं। यदि आपके पास 1,000 लोग हैं, और 500 "टाइप A" हैं और 500 "टाइप B" हैं, तो मिश्रण बिल्कुल 50/50 है। यह यादृच्छिक (random) नहीं है; यह एक सटीक रेसिपी है।
यह क्यों मायने रखता है: पिछला गणित इस मिश्रण को ऐसे मानता था जैसे कि यह यादृच्छिक हो (जैसे बैग से कुछ निकालना)। इससे गोपनीयता वास्तविक होने की तुलना में बेहतर (अधिक आशावादी) दिखती थी। श्वेट्स इस फॉर्मूले को इस निश्चित रेसिपी को ध्यान में रखते हुए ठीक करते हैं, जिससे हमें एक अधिक सटीक, तीक्ष्ण और थोड़ी अधिक रूढ़िवादी गोपनीयता गारंटी मिलती है। यह ऐसा है जैसे यह महसूस करना कि आपको पहले के विचार से थोड़े मोटे ढाल (shield) की आवश्यकता है।

4. "अनबंडल्ड" बनाम "बंडल्ड" का आश्चर्य

यह पेपर एक भिन्नता को भी देखता है जहाँ लोग केवल एक संदेश भेजने के बजाय कई संदेश भेजते हैं।

बंडल्ड (Bundled): कल्पना कीजिए कि एक व्यक्ति 5 पत्रों वाला एक एकल लिफाफा भेजता है। शफ़लर लिफाफों को मिलाता है।
अनबंडल्ड (Unbundled): कल्पना कीजिए कि एक व्यक्ति 5 अलग-अलग पत्र भेजता है, और शफ़लर उन सभी ढीले पत्रों को एक साथ मिला देता है।
निष्कर्ष: पेपर सिद्ध करता है कि अनबंडल्ड (Unbundled) स्पष्ट रूप से बेहतर है। 5,000 ढीले पत्रों को मिलाना (Unbundled) 1,000 लिफाफों को मिलाने (Bundled) की तुलना में बहुत अधिक मजबूत गोपनीयता प्रदान करता है। यह 1,000 किताबों के बजाय 5,000 व्यक्तिगत पन्नों को फाड़ने जैसा है; ढीले पन्नों को फिर से जोड़ना बहुत कठिन होता है।

5. "एज" केस (सीमा)

पेपर यह भी जांचता है कि क्या होता है जब गोपनीयता सेटिंग्स को बहुत अधिक (या बहुत कम) कर दिया जाता है।

यह एक "बाउंड्री" (सीमा) की पहचान करता है जहाँ गणित एक सुचारू बेल कर्व की तरह व्यवहार करना बंद कर देता है और एक टेढ़े-मेढ़े, अप्रत्याशित आकार (पॉइसन वितरण/Poisson distribution) की तरह व्यवहार करने लगता है।
इंजीनियरों के लिए यह महत्वपूर्ण है। यह उन्हें बताता है: "यदि आप अपने प्राइवेसी डायल को इस विशिष्ट संख्या पर सेट करते हैं, तो गणित बदल जाता है, और आपको एक अलग कैलकुलेटर की आवश्यकता होती है।"

6. वास्तविक दुनिया का अनुप्रयोग: फ्रीक्वेंसी एस्टीमेशन (Frequency Estimation)

अंत में, यह पेपर दिखाता है कि इन नए, तीक्ष्ण सूत्रों का वास्तविक दुनिया में कैसे उपयोग किया जाए।

परिदृश्य: एक टेक कंपनी जानना चाहती है कि कितने प्रतिशत उपयोगकर्ताओं ने एक विशिष्ट फीचर सक्षम किया है (जैसे, "डार्क मोड")।
पुराना तरीका: वे सुरक्षा के लिए डेटा में बहुत अधिक अतिरिक्त शोर (noise) जोड़ते हैं। इससे उनका डेटा कम सटीक हो जाता है।
नया तरीका: श्वेट्स के सटीक सूत्रों का उपयोग करके, वे उतने ही सुरक्षित रहते हुए कम शोर जोड़ सकते हैं। इसका मतलब है कि वे उपयोगकर्ता की गोपनीयता से समझौता किए बिना उनकी आदतों के बारे में अधिक सटीक उत्तर प्राप्त कर सकते हैं।

सारांश

एलेक्स श्वेट्स ने गोपनीयता के "शफल मॉडल" को अनुमानों से हटाकर सटीक विज्ञान में बदल दिया है।

पहले: "हमें लगता है कि यह लगभग सुरक्षित है।"
अब: "हम जानते हैं कि यह वास्तव में कितना सुरक्षित है, दशमलव के बिंदु तक, और हम जानते हैं कि सर्वोत्तम परिणामों के लिए इसे कैसे ट्यून करना है।"

यह एक धुंधले स्पीडोमीटर के साथ कार चलाने और एक हाई-डेफिनिशन जीपीएस के साथ कार चलाने के बीच का अंतर है जो आपको बताता है कि दीवार से टकराने से पहले आप कितनी तेज गति से जा सकते हैं।

यह शोध पत्र, "यूनिवर्सल शफल एसिम्प्टोटिक्स: गॉसियन रिजीम में शार्प प्राइवेसी एनालिसिस" (Universal Shuffle Asymptotics: Sharp Privacy Analysis in the Gaussian Regime), एलेक्स श्वेट्स द्वारा लिखित, शफल डिफरेंशियल प्राइवेसी (DP) मॉडल में प्राइवेसी एम्प्लीफिकेशन (privacy amplification) के विश्लेषण के लिए एक कठोर, प्रयोग-स्तर का सैद्धांतिक ढांचा प्रदान करता है। यह कार्य "गॉसियन रिजीम" (Gaussian regime) पर केंद्रित है, जहाँ स्थानीय रैंडमाइज़र (local randomizers) के निश्चित, परिमित आउटपुट अल्फाबेट पूर्ण सपोर्ट (full support) के साथ होते हैं, और उपयोगकर्ताओं की संख्या $n$ बहुत अधिक बढ़ जाती है।

इसका प्राथमिक लक्ष्य ढीले, ऑर्डर-स्तर के बाउंड्स (जैसे, $O(1/\sqrt{n})$ ) से आगे बढ़कर शफल मैकेनिज्म के लिए शार्प कांस्टेंट्स (sharp constants), हायर-ऑर्डर एक्सपेंशन (higher-order expansions), और सटीक लिमिटिंग प्राइवेसी कर्व्स (exact limiting privacy curves) प्राप्त करना है।

1. समस्या विवरण (Problem Statement)

शफल मॉडल में, $n$ उपयोगकर्ता अपने डेटा पर एक स्थानीय रैंडमाइज़र लागू करते हैं और संदेशों को एक विश्वसनीय शफ़लर (shuffler) को भेजते हैं, जो एनालिस्ट को एग्रीगेट (हिस्टोग्राम) भेजने से पहले उन्हें क्रमबद्ध (permute) करता है। हालांकि यह ज्ञात है कि शफलिंग प्राइवेसी को बढ़ाती है, मौजूदा साहित्य अक्सर निम्नलिखित प्रदान करता है:

लीकेज (leakage) पर ऊपरी सीमाएँ (upper bounds) जो सटीक (tight) नहीं हैं।
एसिम्प्टोटिक परिणाम जिनमें स्पष्ट स्थिरांक (constants) का अभाव है।
फिक्स्ड-कंपोजिशन सेटिंग्स (जहाँ इनपुट 0 बनाम 1 वाले उपयोगकर्ताओं की संख्या निश्चित है) में विशिष्ट कोवेरिएंस संरचनाओं (covariance structures) के संबंध में समझ की कमी।

यह शोध पत्र सटीक लाइकलीहुड-रेशियो आइडेंटिटीज (exact likelihood-ratio identities), शार्प डायवर्जेंस एक्सपेंशन (sharp divergence expansions), और सामान्य कंपोजिशन एवं मल्टी-मैसेज सेटिंग्स के लिए स्पष्ट एरर रेट्स के साथ गॉसियन डिफरेंशियल प्राइवेसी (GDP) तुल्यता की आवश्यकता को संबोधित करता है।

2. कार्यप्रणाली (Methodology)

लेखक एसिम्प्टोटिक सांख्यिकी, सूचना सिद्धांत (information theory), और संभाव्यता सिद्धांत (probability theory) के एक परिष्कृत मिश्रण का उपयोग करता है:

सटीक लाइकलीहुड-रेशियो आइडेंटिटीज: शोध पत्र लाइकलीहुड रेशियो $L = dT_{n,k+1}/dT_{n,k}$ $L = d T_{n, k + 1} / d T_{n, k}$ (जहाँ $T_{n,k}$ $T_{n, k}$ $k$ $k$ उपयोगकर्ताओं के इनपुट 1 होने पर हिस्टोग्राम का वितरण है) के लिए सटीक सूत्र व्युत्पन्न करता है।
- कैनोनिकल केस ( $k=0$ बनाम $k=1$ ) के लिए, अनुपात को हिस्टोग्राम के एक रैखिक फलन के रूप में दिखाया गया है: $L = 1 + U_n$ , जहाँ $U_rangle$ स्कोर इंक्रीमेंट्स का औसत है।
- सामान्य $k$ के लिए, अनुपात को स्कोर फंक्शन के हिだけ हिस्टोग्राम पर कंडीशनल एक्सपेक्टेशन (conditional expectation) के रूप में व्यक्त किया गया है।
कंडीशनल-एक्सपेक्टेशन लीनियरलाइजेशन: एक केंद्रीय तकनीकी योगदान एक प्रमेय है जो यह सिद्ध करता है कि कंडीशनल एक्सपेक्टेशन $E[r(Y^*) | N]$ (जहाँ $Y^*$ बदलने वाले उपयोगकर्ता का संदेश है) को स्कोर स्टैटिस्टिक पर एक प्रोजेक्शन के रूप में लीनियर किया जा सकता है, जिसमें एक नियंत्रित शेष पद (remainder term) शामिल है। इसे लैटिस एडगवर्थ एक्सपेंशन (lattice Edgeworth expansions) और लोकल सेंट्रल लिमिट थ्योरम (CLT) के लिए एक रेशियो लेम्मा (ratio lemma) का उपयोग करके सिद्ध किया गया है।
फिक्स्ड-कंपोजिशन कोवेरिएंस: शोध पत्र एक i.i.d. मिश्रण के कोवेरिएंस और फिक्स्ड-कंपोजिशन कोवेरिएंस $\Sigma_\pi = (1-\pi)\Sigma_0 + \pi\Sigma_1$ के बीच स्पष्ट अंतर करता है। यह सिद्ध करता है कि बाद वाला ही वह सही मात्रा है जो एसिम्प्टोटिक वेरिएंस को नियंत्रित करती है, जो एक सामान्य गलत धारणा को सुधारता है जहाँ मिश्रण कोवेरिएंस (mixture covariance) का उपयोग किया जाता है (जो अत्यधिक आशावादी प्राइवेसी अनुमानों की ओर ले जाता है)।
एसिम्प्टोटिक नॉर्मलिटी: शोध पत्र स्थापित करता है कि प्राइवेसी लॉस दोनों शून्य (null) और वैकल्पिक (alternative) परिकल्पनाओं के तहत एक गॉसियन वितरण की ओर अभिसरित होता है, जो अभिसरण दर ( $O(n^{-1/2})$ ) को मापने के लिए बेरी-एसेन्स बाउंड्स (Berry–Esseen bounds) का उपयोग करता है।

3. प्रमुख योगदान और परिणाम (Key Contributions and Results)

A. शार्प जेन्सन-शैनन (JSD) एक्सपेंशन

शोध पत्र पड़ोसी शफल्ड डिस्ट्रीब्यूशन के बीच JSD के लिए सटीक लीडिंग कांस्टेंट व्युत्पन्न करता है:
$\text{JSD}(T_{n,k} \| T_{n,k+1}) = \frac{I_\pi}{8n} + O(n^{-2})$
जहाँ $I_\pi = v^\top \Sigma_\pi^+ v$ फिशर कांस्टेंट (Fisher constant) है, $v = W_1 - W_0$ , और $\Sigma_\pi^+$ फिक्स्ड-कंपोजिशन कोवेरिएंस का मूर-पेनरोज मॉर-पेनरोज स्यूडोइनवर्स है।

महत्व: यह स्मूथ $f$ -डाइवर्जेंस के लिए यूनिवर्सल लीडिंग कांस्टेंट की पहचान करता है, यह दर्शाता है कि प्राइवेसी एम्प्लीफिकेशन फैक्टर स्थानीय रैंडमाइज़र के फिशर इंफॉर्मेशन द्वारा निर्धारित होता है, जिसे फिक्स्ड-कंपोजिशन कोवेरिएंस द्वारा स्केल किया जाता है।

B. गॉसियन डिफरेंशियल प्राइवेसी (GDP) के साथ तुल्यता

शोध पत्र सिद्ध करता है कि शफल एक्सपेरिमेंट, मीन शिफ्ट $\mu_n = \sqrt{I_\pi/n}$ वाले एक गॉसियन शिफ्ट एक्सपेरिमेंट के एसिम्प्टोटिक रूप से समतुल्य है।

परिणाम: ट्रेड-ऑफ फंक्शन $T_{T_{n,k}, T_{n,k+1}}(\alpha)$ गॉसियन ट्रेड-ऑफ फंक्शन $T_{\mu_n}(\alpha)$ में $O(n^{-1/2})$ की त्रुटि के साथ अभिसरित होता है।
निहितार्थ: यह अभ्यासकर्ताओं को सटीक फिशर कांस्टेंट $I_\pi$ को मानक GDP सूत्रों का उपयोग करके सीधे एक लिमिटिंग $(\epsilon, \delta)$ प्राइवेसी कर्व में बदलने की अनुमति देता है, जिससे एक टाइट और कंप्यूट करने योग्य बाउंड प्राप्त होता है।

C. अनबंडल मल्टी-मैसेज शफलिंग (Unbundled Multi-Message Shuffling)

शोध पत्र "अनबंडल" मॉडल का विश्लेषण करता है जहाँ प्रत्येक उपयोगकर्ता $m$ स्वतंत्र संदेश भेजता है, और शफ़लर सभी $nm$ संदेशों को व्यक्तिगत रूप से क्रमबद्ध करता है।

निष्कर्ष: अनबंडलिंग, $m$ संदेशों को एक सिंगल वेक्टर में बंडल करने की तुलना में बेहतर प्राइवेसी प्रदान करती है।
मात्रात्मक अंतर: अनबंडल शफलिंग के लिए GDP पैरामीटर $\mu_{unb} = \sqrt{m I_\pi / n}$ है, जबकि बंडल शफलिंग के लिए यह $(1+\chi^2)^m - 1$ के रूप में स्केल करता है। शोध पत्र सिद्ध करता है कि $m \ge 2$ के लिए $\mu_{unb} < \mu_{bund}$ है, जो प्राइवेसी गेन को मात्रात्मक रूप से दर्शाता है।

D. सटीक फाइनाइट- $n$ फॉर्मूला और चेरनोफ बाउंड्स

सटीक कर्व्स: बाइनरी आउटपुट चैनल्स के लिए, शोध पत्र द्विपद वितरण (binomial distributions) का उपयोग करके सटीक फाइनाइट- $n$ फॉर्मूला प्रदान करता है।
चेरनोफ बाउंड्स: सामान्य अल्फाबेट्स के लिए, यह प्राइवेसी लॉस के लिए कंप्यूट करने योग्य चेरनोफ-टाइप अपर बाउंड्स व्युत्पन्न करता है, जो उन छोटे $n$ के लिए व्यावहारिक उपकरण प्रदान करता है जहाँ एसिम्प्टोटिक्स अभी तक लागू नहीं होते हैं।

E. बाउंड्री रिजीम एनालिसिस (रैंडमाइज्ड रिस्पॉन्स)

शोध पत्र गॉसियन रिजीम से गैर-गॉसियन रिजीम (पॉइसन/स्केलम लिमिट्स) में संक्रमण का विश्लेषण करता है जब स्थानीय प्राइवेसी पैरामीटर $\epsilon_0$ , $n$ के साथ बढ़ता है। यह एक बाउंडरी बेरी-एसेन्स करेक्शन प्रदान करता है जो दिखाता है कि अभिसरण दर $O(n^{-1/2})$ से घटकर $O(\sqrt{a_n})$ हो जाती है जहाँ $a_n = e^{\epsilon_0}/n$ है।

4. महत्व और प्रभाव (Significance and Impact)

प्राइवेसी अकाउंटिंग में सटीकता: यह शोध पत्र "ऑर्डर-ऑफ-मैग्निट्यूड" बाउंड्स से शार्प कांस्टेंट्स की ओर प्रतिमान (paradigm) को बदल देता है। यह वास्तविक दुनिया के डिप्लॉयमेंट के लिए अधिक कुशल प्राइवेसी बजट की अनुमति देता है, क्योंकि व्युत्पन्न कांस्टेंट्स अक्सर पिछले वर्स्ट-केस बाउंड्स की तुलना में काफी टाइट होते हैं।
कोवेरिएंस गलतफहमियों का सुधार: फिक्स्ड-कंपोजिशन कोवेरिएंस ( $\Sigma_\pi$ ) के उपयोग को कठोरता से स्थापित करके, यह शोध पत्र शफल मैकेनिज्म के लिए फिशर इंफॉर्मेशन की गणना करने के तरीके में एक सूक्ष्म लेकिन महत्वपूर्ण त्रुटि को सुधारता है, जिससे अत्यधिक आशावादी प्राइवेसी दावे रुक जाते हैं।
एकीकृत ढांचा: यह सिंगल-मैसेज, मल्टी-मैसेज, बंडल और अनबंडल मॉडलों को लोकल एसिम्प्टोटिक नॉर्मैलिटी (LAN) और ले कैम इक्विवेलेंस (Le Cam equivalence) पर आधारित एक एकल एसिम्प्टोटिक थ्योरी के तहत एकीकृत करता है।
व्यावहारिक उपयोगिता: सटीक फाइनाइट- $n$ फॉर्मूला का व्युत्पन्न और GDP के साथ स्पष्ट लिंक, अभ्यासकर्ताओं को संरक्षणवादी अनुमानों (conservative approximations) पर निर्भर रहने के बजाय विशिष्ट स्थानीय रैंडमाइज़र और डेटासेट आकार के लिए प्राइवेसी पैरामीटर ( $\epsilon, \delta$ ) को कैलिब्रेट करने के लिए एक "कुकबुक" प्रदान करता है।
सैद्धांतिक आधार: JSD के लिए $O(n^{-2})$ शेष पदों और GDP सेट के लिए $O(n^{-1/2})$ दरों को व्युत्पन्न करने के लिए एडगवर्थ एक्सपेंशन और लैटिस CLT का उपयोग प्राइवेसी एम्प्लीफिकेशन विश्लेषण की गणितीय कठोरता के लिए एक नया मानक स्थापित करता है।

संक्षेप में, यह शोध पत्र शफल मॉडल के गॉसियन रिजीम के लिए निर्णायक एसिम्प्टोटिक थ्योरी प्रदान करता है, जो शफल मैकेनिज्म के सटीक, शार्प प्राइवेसी लिमिट्स की गणना करने के लिए आवश्यक उपकरण प्रदान करता है, जिससे अधिक कुशल और सटीक प्राइवेसी-प्रिजर्विंग डेटा विश्लेषण संभव होता है।