💻 computer science

DP-S4S: Accurate and Scalable Select-Join-Aggregate Query Processing with User-Level Differential Privacy

यह शोध पत्र DP-S4S का प्रस्ताव करता है, जो एक नवीन तंत्र है जो उपयोगकर्ताओं के बजाय एग्रीगेशन इकाइयों (aggregation units) को नमूना बनाकर और RDP पर आधारित एक नमूना-अनुकूल गणितीय आधार स्थापित करके, उपयोगकर्ता-स्तर की डिफरेंशियल प्राइवेसी के तहत स्केलेबल और सटीक सेलेक्ट-जॉइन-एग्रीगेट (Select-Join-Aggregate) क्वेरी प्रोसेसिंग प्राप्त करता है, जिससे मौजूदा अत्याधुनिक विधियों की अत्यधिक कम्प्यूटेशनल लागत और उच्च त्रुटि दरों पर विजय प्राप्त होती है।

मूल लेखक: Yuan Qiu, Xiaokui Xiao, Yin Yang

प्रकाशित 2026-03-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuan Qiu, Xiaokui Xiao, Yin Yang

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 विशाल, हलचल भरे शहर (डेटाबेस) के प्रबंधक हैं। आप शहर को बेहतर ढंग से समझने के लिए अपने नागरिकों (उपयोगकर्ताओं) से कुछ प्रश्न पूछना चाहते हैं, जैसे "आज कितने लोगों ने कॉफी खरीदी?" या "एक औसत व्यक्ति के औसतन कितने मित्र हैं?"

हालाँकि, इसमें एक पेच है: आपको यह सुनिश्चित करना है कि आप किसी भी एक विशिष्ट व्यक्ति के बारे में कुछ भी प्रकट न करें। यही डिफरेंशियल प्राइवेसी (DP) का वादा है। यह उत्तर में थोड़ा सा "स्टैटिक" या "शोर" (noise) जोड़ने जैसा है ताकि यदि आप परिणाम को देखें, तो आप यह नहीं बता सकें कि व्यक्ति A उस भीड़ में था या नहीं।

यह शोध पत्र एक नया, अत्यंत स्मार्ट तरीका पेश करता है जिसे DP-S4S कहा जाता है। यह कैसे काम करता है, इसे सरल उपमाओं के साथ नीचे समझाया गया है।

समस्या: "भारी उठाने वाला" (The Heavy Lifter) और "महंगा कैलकुलेटर" (The Expensive Calculator)

अतीत में, गोपनीयता की रक्षा करते हुए इन प्रश्नों का उत्तर देना, आँखों पर पट्टी बांधकर और भारी दस्ताने पहनकर समुद्र तट पर रेत के प्रत्येक कण को गिनने की कोशिश करने जैसा था।

"भारी उठाने वाला" (उच्च संवेदनशीलता - High Sensitivity): एक शहर में, एक व्यक्ति के हजारों संबंध (मित्र, खरीदारी, पोस्ट) हो सकते हैं। यदि आप अपने डेटा से केवल एक व्यक्ति को हटा देते हैं, तो कुल गणना नाटकीय रूप से बदल सकती है। उस एक व्यक्ति की सुरक्षा के लिए, आपको उत्तर में बहुत अधिक शोर जोड़ना होगा। यह उत्तर को बहुत ही गलत बना देता है (जैसे तापमान का अनुमान लगाने के लिए ऐसे थर्मामीटर का उपयोग करना जो 50 डिग्री तक गलत हो)।
"महंगा कैलकुलेटर" (धीमी गति - Slow Speed): सटीकता के मुद्दे को ठीक करने के लिए, पिछले तरीकों ने यह पता लगाने के लिए कि कितना शोर जोड़ना है, अविश्वसनीय रूप से जटिल गणितीय पहेलियों (ऑप्टिमाइज़ेशन प्रोग्राम) को हल करने की कोशिश की। यह रेत के कणों को एक-एक करके गिनने के लिए सुपरकंप्यूटर का उपयोग करने जैसा था। यह सटीक तो था, लेकिन इसमें बहुत समय लगता था और कंप्यूटिंग शक्ति की भारी लागत आती थी।

पुराना "सैंपलिंग" प्रयास: एक त्रुटिपूर्ण शॉर्टकट

लोगों ने महसूस किया, "अरे, हम पूरे शहर के बजाय केवल एक छोटे से नमूने (sample) को क्यों नहीं देखते?" इसे सैंपलिंग कहा जाता है।

हालाँकि, करने का पुराना तरीका (जिसे S&E कहा जाता था) ऐसा था:

आप एक यादृच्छिक (random) व्यक्ति चुनते हैं।
फिर आप उस व्यक्ति का और उनके द्वारा जाने जाने वाले सभी लोगों का साक्षात्कार लेते हैं।
आप इसे कई बार दोहराते हैं।

दोष: यदि आप एक लोकप्रिय व्यक्ति (एक "सेलिब्रिटी" जिसके 5,000 मित्र हैं) को चुनते हैं, तो आप एक साथ 5,000 लोगों का साक्षात्कार ले रहे होते हैं। यह एक बहुत बड़ा सहसंबंध (correlation) पैदा करता है। उस एक सेलिब्रिटी की गोपनीयता की रक्षा करने के लिए, आपको इतना शोर जोड़ना पड़ता है कि अंतिम उत्तर बेकार हो जाता है। यह स्टेडियम में एक फुसफुसाहट सुनने की कोशिश करने जैसा है क्योंकि आपने गलती से भीड़ में सबसे शोर मचाने वाले व्यक्ति को चुन लिया है।

नया समाधान: DP-S4S (द "स्मार्ट स्काउट")

लेखक DP-S4S (डिफरेंशियल प्राइवेसी सैंपलिंग फॉर स्केल) का प्रस्ताव करते हैं। इसे एक अकेले भारी उठाने वाले के बजाय स्मार्ट स्काउट्स (चतुर खोजियों) की एक टीम के रूप में सोचें।

1. "लोगों" की नहीं, "घटनाओं" की सैंपलिंग करना

एक व्यक्ति को चुनने और उनके पूरे सामाजिक दायरे को साक्षात्कार में खींचने के बजाय, DP-S4S यादृच्छिक रूप से व्यक्तिगत घटनाओं (जैसे कि पिज्जा का एक टुकड़ा खरीदना या एक मित्रता लिंक) को चुनता है।

उपमा: कल्पना कीजिए कि आप जानना चाहते हैं कि कितने लोग पिज्जा खा रहे हैं।
- पुराना तरीका (S&E): आप "बिग बॉब" नामक एक व्यक्ति को चुनते हैं। यदि बॉब के 100 मित्र हैं, तो आप बॉब और उसके सभी 100 मित्रों का साक्षात्कार लेते हैं। यदि बॉब एक गोपनीयता जोखिम है, तो आपको उन सभी 100 लोगों के डेटा को बदलना होगा।
- DP-S4S का तरीका: आप शहर में जाते हैं और प्लेटों से यादृच्छिक रूप से 1,000 पिज्जा के टुकड़े उठाते हैं। आपको इस बात की परवाह नहीं है कि उन्हें किसने खाया; आप बस टुकड़ों को गिनते हैं। यदि एक टुकड़ा "बिग बॉब" का है, तो वह भी कई टुकड़ों के बीच केवल एक टुकड़ा ही है। जोखिम बिखर जाता है, इसलिए आपको बहुत अधिक शोर जोड़ने की आवश्यकता नहीं होती है।

2. "प्राइवेसी एम्पलीफायर" (The Privacy Amplifier)

यहाँ जादू का नुस्खा है। क्योंकि स्काउट्स यादृच्छिक रूप से व्यक्तिगत टुकड़ों (घटनाओं) को चुन रहे हैं, इसलिए प्राइवेसी सुरक्षा वास्तव में जितना अधिक आप सैंपल करेंगे, उतनी ही मजबूत होती जाएगी।

उपमा: कल्पना कीजिए कि आप घास के ढेर में एक रहस्य छिपा रहे हैं।
- यदि आप एक छोटे घास के ढेर में छिपाते हैं, तो उसे ढूंढना आसान है।
- यदि आप एक विशाल घास के ढेर में छिपाते हैं, तो उसे ढूंढना कठिन है।
- DP-S4S यह समझता है कि टुकड़ों को यादृच्छिक रूप से चुनने से, "घास का ढेर" प्रभावी रूप से बड़ा और अधिक भ्रमित करने वाला हो जाता है। यह उन्हें समान स्तर की गोपनीयता बनाए रखते हुए कम शोर का उपयोग करने की अनुमति देता है। यह "प्राइवेसी टैक्स" पर छूट पाने जैसा है।

3. "गणितीय सेतु" (The Mathematical Bridge - Rényi DP)

जटिल प्रश्नों (जैसे "प्रत्येक पड़ोस के लिए पिज्जा के टुकड़ों की गिनती करें") के लिए इसे काम करने योग्य बनाने के लिए, लेखकों ने एक नया गणितीय सेतु बनाया है। उन्होंने रेनी डिफरेंशियल प्राइवेसी (Rényi Differential Privacy) नामक एक विशिष्ट प्रकार के प्राइवेसी गणित का उपयोग किया।

उपमा: मानक प्राइवेसी गणित को एक कठोर, भारी दरवाजे के रूप में सोचें। इसे जल्दी से खोलना और बंद करना कठिन है। Rényi DP एक फिसलते हुए कांच के दरवाजे (sliding glass door) की तरह है। यह "सैंपलिंग" प्रक्रिया के साथ जुड़ना बहुत आसान बनाता है, जिससे सिस्टम बिना अटके "एक नमूने को देखने" और "गोपनीयता की रक्षा करने" के बीच सुचारू रूप से फिसल सकता है।

परिणाम: तेज़, सटीक और स्केलेबल

लेखकों ने वास्तविक दुनिया के डेटा (जैसे सोशल नेटवर्क और खरीदारी के रिकॉर्ड) पर इस परीक्षण किया और पाया:

गति: यह पुराने तरीकों की तुलना में 10 से 100 गुना तेज़ है। यह उन विशाल डेटासेट पर सेकंडों में उत्तर दे सकता है जिन्हें हल करने में पहले घंटों लगते थे।
सटीकता: यह पुराने "सैंपलिंग" (S&E) तरीके की तुलना में 10 गुना अधिक सटीक है। उत्तर सत्य के बहुत करीब हैं।
स्केलेबिलिटी: यह विशाल डेटाबेस को संभाल सकता है जो पुराने सिस्टम को क्रैश कर देते।

सारांश

DP-S4S रेत के प्रत्येक कण को गिनने की कोशिश करने वाले एक धीमे, अनाड़ी विशालकाय व्यक्ति से बदलकर, समुद्र तट का यादृच्छिक रूप से नमूना लेने वाले फुर्तीले ड्रोन्स के बेड़े में अपग्रेड करने जैसा है। लोगों के बजाय व्यक्तिगत कणों (घटनाओं) पर ध्यान केंद्रित करके, और एक स्मार्ट गणितीय ढांचे का उपयोग करके, यह ऐसे उत्तर प्रदान करता है जो तेज़, सस्ते और अविश्वसनीय रूप से सटीक हैं, जबकि यह सभी के रहस्यों को सुरक्षित रखता है।

यहाँ शोध पत्र "DP-S4S: Accurate and Scalable Select-Join-Aggregate Query Processing with User-Level Differential Privacy" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र यूज़र-लेवल डिफरेंशियल प्राइवेसी (User-Level Differential Privacy - DP) के तहत Select-Join-Aggregate (SJA) प्रश्नों (queries) का उत्तर देने की चुनौती को संबोधित करता है।

संदर्भ: SJA प्रश्न डेटा एनालिटिक्स (जैसे सोशल नेटवर्क विश्लेषण, ई-कॉमर्स रिपोर्टिंग) में मौलिक हैं, जिनमें सिलेक्शन (selection), जॉइन (join) और एग्रीगेशन (COUNT, SUM, आदि) शामिल होते हैं।
गोपनीयता की बाधा (The Privacy Constraint): रिकॉर्ड-लेवल DP के विपरीत, यूज़र-लेवल DP एक ही उपयोगकर्ता द्वारा दिए गए रिकॉर्ड्स के पूरे सेट की रक्षा करता है। यह तब अत्यंत महत्वपूर्ण हो जाता है जब उपयोगकर्ता कई सह-संबंधित (correlated) रिकॉर्ड योगदान करते हैं (जैसे, एक उपयोगकर्ता का संपूर्ण खरीद इतिहास या सोशल कनेक्शन)।
मुख्य चुनौती:
1. उच्च संवेदनशीलता (High Sensitivity): एक एकल उपयोगकर्ता बड़ी संख्या में जॉइन टुपल्स (join tuples) योगदान कर सकता है। सबसे खराब स्थितियों में, एक SJA प्रश्न की ग्लोबल सेंसिटिविटी (global sensitivity) जॉइन्स की संख्या के आधार पर घातांकीय (exponential) हो सकती है, जिससे DP को संतुष्ट करने के लिए अत्यधिक शोर (noise) की आवश्यकता होती है, जो परिणाम की उपयोगिता (utility) को नष्ट कर देता है।
2. मौजूदा समाधानों की स्केलेबिलिटी (Scalability of Existing Solutions): अत्याधुनिक विधियाँ जैसे R2T (स्केलर प्रश्नों के लिए) और PMSJA (वेक्टर प्रश्नों के लिए) महंगे ऑप्टिमाइज़ेशन समस्याओं (Linear Programs या Quadratically Constrained Quadratic Programs) को हल करके इंस्टेंस-ऑप्टिमल सटीकता प्राप्त करती हैं। ये बड़े डेटासेट तक स्केल नहीं हो पाती हैं।
3. नाइव सैंपलिंग की विफलता (Failure of Naive Sampling): मौजूदा सैंपलिंग दृष्टिकोण जैसे S&E (Sample-and-Explore) उपयोगकर्ताओं का नमूना (sample) लेते हैं और फिर उनके पड़ोसियों की खोज करते हैं। यह विफल होता है क्योंकि:
  - इसके लिए सहयोगियों (collaborators) की संख्या ( $C$ ) की सीमा जानने की आवश्यकता होती है, जो अक्सर बहुत बड़ी होती है।
  - गोपनीयता विश्लेषण के लिए काफी अधिक शोर (noise) डालने की आवश्यकता होती है (जो $C$ के रैखिक/linear है), जिससे गैर-सैंपलिंग विधियों की तुलना में त्रुटि (error) 10x–1000x अधिक हो जाती है।
  - यह स्पष्ट नहीं है कि कंप्यूटेशनल बजट के भीतर सटीकता को अधिकतम करने के लिए क्या सैंपल किया जाए।

2. कार्यप्रणाली: DP-S4S (Methodology: DP-S4S)

लेखक DP-S4S (Differentially Private Sampling for Scale) प्रस्तावित करते हैं, जो एक नवीन तंत्र है जो सैंपलिंग प्रतिमान (paradigm) और गणितीय ढांचे को मौलिक रूप से बदल देता है।

A. मुख्य नवाचार: एग्रीगेशन यूनिट्स का सैंपलिंग (Core Innovation: Sampling Aggregation Units)

उपयोगकर्ताओं (S&E की तरह) को सैंपल करने के बजाय, DP-S4S एग्रीगेशन यूनिट्स (अर्थात, जॉइन ऑपरेशन के परिणामस्वरूप प्राप्त जॉइन टुपल्स) को सैंपल करता है।

तंत्र (Mechanism): सिस्टम पहले पूर्ण जॉइन परिणाम (या उसका एक उपसमुच्चय) की गणना करता है, फिर प्रत्येक जॉइन टुपल को प्रायिकता $q$ के साथ सैंपल करता है।
लाभ: यह सैंपल सेट को संक्षिप्त रखता है और उपयोगकर्ता के कुल योगदान के आकार से जुड़े "वर्स्ट-केस क्रॉस-यूज़र कोरिलेशन" से बचता है। यह प्रभावी रूप से सैंपलिंग प्रक्रिया को उपयोगकर्ता के कुल योगदान के आकार से अलग (decouple) कर देता है।

B. सब-सैंपलिंग के माध्यम से प्राइवेसी एम्प्लीफिकेशन (Privacy Amplification via Subsampling)

शोध पत्र सिद्ध करता है कि जॉइन टुपल्स का सैंपल लेने के बाद, सैंपल पर यूज़र-लेवल DP तंत्र लागू करने से प्राइवेसी एम्प्लीफिकेशन प्राप्त होता है।

स्केलर प्रश्न (Pure DP): ट्रंकेशन (Truncation) तकनीक (उपयोगकर्ता योगदान को सीमित करना) के साथ सब-सैंपलिंग को जोड़कर, यह तंत्र मूल तंत्र ( $\epsilon$ ) की तुलना में एक मजबूत गोपनीयता गारंटी ( $\epsilon'$ ) प्राप्त करता है। आवश्यक शोर का पैमाना कम हो जाता है क्योंकि किसी विशिष्ट उपयोगकर्ता का डेटा सैंपल में होने की संभावना कम होती है।
वेक्टर प्रश्न (Approximate DP): GROUP BY क्लॉज वाले प्रश्नों (वेक्टर आउटपुट) के लिए, लेखक PMSJA ढांचे को अनुकूलित करते हैं। वे Rényi Differential Privacy (RDP) का उपयोग करके एक नया गणितीय आधार पेश करते हैं क्योंकि RDP, मानक $(\epsilon, \delta)$ -DP की तुलना में सैंपलिंग के साथ अधिक सुसंगत रूप से संयोजित (compose) होता है।

C. वेक्टर प्रश्नों के लिए गणितीय बुनियादी ढांचा (Mathematical Infrastructure for Vector Queries)

वेक्टर प्रश्नों को कुशलतापूर्वक संभालने के लिए, लेखक दो प्रमुख सैद्धांतिक उपकरण विकसित करते हैं:

Rényi DP स्मूथ सेंसिटिविटी तंत्र: वे Rényi DP के तहत स्मूथ सेंसिटिविटी (smooth sensitivity) का उपयोग करने वाला पहला तंत्र डिजाइन करते हैं। यह सिस्टम को ट्रंकेटेड क्वेरी की लोकल सेंसिटिविटी (जो ग्लोबल सेंसिटिविटी से बहुत कम है) के आधार पर शोर इंजेक्ट करने की अनुमति देता है, जबकि कठोर गोपनीयता गारंटी बनाए रखता है।
अनुकूली बजट आवंटन (Adaptive Budget Allocation): एल्गोरिदम इष्टतम ट्रंकेशन थ्रेशोल्ड ( $\tau$ ) और Rényi ऑर्डर ( $\alpha$ ) का चयन करने के लिए "डबलिंग सर्च" रणनीति का उपयोग करता है जो गोपनीयता बजट को संतुष्ट करते हुए त्रुटि को कम करता है।

D. एल्गोरिदम प्रवाह (Algorithm Flow)

सैंपलिंग (Sampling): प्रायिकता $q$ के साथ जॉइन टुपल्स को सैंपल करें।
ट्रंकेशन और ऑप्टिमाइज़ेशन (Truncation & Optimization):
- स्केलर: सैंपल के लिए इष्टतम ट्रंकेशन खोजने के लिए एक लीनियर प्रोग्राम (LP) हल करें।
- वेक्टर: ट्रंकेशन थ्रेशोल्ड निर्धारित करने के लिए सैंपल पर एक क्वाड्रेटिकली कंस्ट्रेंड क्वाड्रेटिक प्रोग्राम (QCQP) हल करें।
शोर इंजेक्शन (Noise Injection): सैंपल किए गए और ट्रंकेटेड डेटा की संवेदनशीलता (sensitivity) के अनुसार शोर (स्केलर के लिए Laplace, वेक्टर के लिए Gaussian/RP) जोड़ें।
स्केलिंग (Scaling): मूल क्वेरी परिणाम का अनुमान लगाने के लिए परिणाम को $1/q$ से स्केल करें।

3. मुख्य योगदान (Key Contributions)

नवीन सैंपलिंग प्रतिमान: यूज़र-लेवल DP के लिए उपयोगकर्ताओं के बजाय एग्रीगेशन यूनिट्स (जॉइन टुपल्स) को सैंपल करने वाला पहला तंत्र, जो उच्च सह-संबंध और गोपनीयता लागतों से बचता है।
सैद्धांतिक गारंटी:
- यूज़र-लेवल DP के लिए जॉइन टुपल्स को सैंपल करने पर प्राइवेसी एम्प्लीफिकेशन को सिद्ध किया गया।
- Rényi DP के तहत पहली स्मूथ सेंसिटिविटी तंत्र का व्युत्पत्ति, जो वेक्टर प्रश्नों के लिए कुशल शोर अंशांकन (noise calibration) को सक्षम बनाता है।
स्केलेबिलिटी: पूरे डेटासेट पर महंगे ग्लोबल ऑप्टिमाइज़ेशन (LPs/QCQPs) को एक छोटे, सैंपल किए गए उपसमुच्चय पर ऑप्टिमाइज़ेशन से बदलकर कंप्यूटेशनल जटिलता को काफी कम करता है।
एकीकृत ढांचा (Unified Framework): यूज़र-लेवल DP के तहत दोनों स्केलर (एकल मान) और वेक्टर (GROUP BY) SJA प्रश्नों को संभालता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने वास्तविक दुनिया के डेटासेट्स (Deezer, Amazon, Stack Overflow, TPC-H) पर DP-S4S का R2T, PMSJA और S&E के विरुद्ध मूल्यांकन किया।

स्केलर प्रश्न (Scalar Queries):
- सटीकता (Accuracy): DP-S4S गैर-सैंपलिंग अत्याधुनिक R2T की सटीकता से मेल खाता है (और कभी-कभी प्राइवेसी एम्प्लीफिकेशन के कारण उससे बेहतर प्रदर्शन करता है), जबकि यह काफी तेज़ भी है।
- दक्षता (Efficiency): बड़े डेटासेट (जैसे Deezee ट्रायंगल काउंटिंग) पर, DP-S4S ने केवल मामूली त्रुटि वृद्धि के साथ रनटाइम को 30 मिनट (R2T) से घटाकर 36 सेकंड कर दिया।
- S&E के साथ तुलना: समान सैंपल दरों पर DP-S4S, S&E की तुलना में 10x से 1000x कम त्रुटि प्राप्त करता है। S&E की त्रुटि सहयोगियों की संख्या के साथ रैखिक रूप से बढ़ती है, जबकि DP-S4S के साथ ऐसा नहीं होता।
वेक्टर प्रश्न (Vector Queries):
- व्यवहार्यता (Feasibility): बड़े डेटासेट पर PMSJA अक्सर मेमोरी समाप्त कर देता है या घंटों (जैसे, >10,000 सेकंड) ले लेता है। DP-S4S इन प्रश्नों को सेकंड से मिनटों में हल करता है।
- सटीकता: DP-S4S उच्च उपयोगिता बनाए रखता है, जो S&E (जिसमें अक्सर 100% से अधिक त्रुटि होती है) को काफी पीछे छोड़ देता है और बहुत कम कंप्यूटेशनल लागत पर PMSJA की सटीकता से मेल खाता है।
पैरामीटर संवेदनशीलता (Parameter Sensitivity): तंत्र विभिन्न गोपनीयता बजट ( $\epsilon$ ) और डेटा विशेषताओं (डिग्री बाउंड्स) के बीच मजबूत है।

5. महत्व (Significance)

अंतराल को भरना: DP-S4S सफलतापूर्वक यूज़र-लेवल DP के लिए उच्च उपयोगिता (सटीकता) और स्केलेबिलिटी (दक्षता) के बीच के अंतर को पाटता है, जहाँ पिछले समाधानों ने एक ट्रेड-ऑफ (समझौता) करने के लिए मजबूर किया था।
व्यावहारिक तैनाती: विशाल डेटासेट (जैसे TPC-H में 24M+ रिकॉर्ड) को सख्त यूज़र-लेवल प्राइवेसी के तहत संसाधित करने में सक्षम बनाकर, यह सोशल नेटवर्क विश्लेषण और ई-कॉमर्स रिपोर्टिंग जैसे वास्तविक दुनिया के अनुप्रयोगों के लिए निजी एनालिटिक्स को व्यवहार्य बनाता है।
सैद्धांतिक प्रगति: Rényi DP स्मूथ सेंसिटिविटी तंत्र का परिचय एक महत्वपूर्ण सैद्धांतिक योगदान है जो SJA प्रश्नों से परे जाता है, जो ग्राफ सांख्यिकी रिलीज और मशीन लर्निंग ग्रेडिएंट कंप्यूटेशन जैसे अन्य कार्यों को भी लाभ पहुँचा सकता है।
S&E पर श्रेष्ठता: यह शोध पत्र निर्णायक रूप से प्रदर्शित करता है कि यूज़र-लेवल DP के लिए, पिछली साहित्य की खामी को सुधारते हुए, टुपल्स (tuples) पर सैंपलिंग किया जाना चाहिए, न कि उपयोगकर्ताओं पर।