🔢 mathematics

Anchored Likelihood-Ratio Geometry of Anonymous Shuffle Experiments: Exact Privacy Envelopes and Universal Low-Budget Design

यह शोधपत्र एंकोर्डेड एफाइन लाइकलीहुड-रेश्यो लॉज़ (anchored affine likelihood-ratio laws) का उपयोग करके गुमनाम शफल प्रयोगों के लिए एक ज्यामितीय ढांचा स्थापित करता है ताकि यह सिद्ध किया जा सके कि बाइनरी रैंडमाइज्ड रिस्पॉन्स सार्वभौमिक रूप से गोपनीयता लिफाफों (privacy envelopes) को चरम सीमा तक ले जाता है और संवर्धित रैंडमाइज्ड रिस्पॉन्स कम-बजट बाधाओं के तहत मिनिमैक्स इष्टतमता (minimax optimality) प्राप्त करता है।

मूल लेखक: Alex Shvets

प्रकाशित 2026-03-24

📖 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 एक विशाल सर्वेक्षण चला रहे हैं, जैसे 1,000 लोगों से पूछना, "आपका पसंदीदा आइसक्रीम फ्लेवर क्या है?" आप सही उत्तर जानना चाहते हैं, लेकिन आप हर किसी की गोपनीयता (privacy) भी सुरक्षित रखना चाहते हैं।

पुराने तरीके में (लोकल प्राइवेसी), आप प्रत्येक व्यक्ति को सच बताने से पहले थोड़ा झूठ बोलने के लिए कहते हैं। शफल मॉडल (जिस पर यह पेपर केंद्रित है) में, आप उन्हें झूठ बोलने के लिए कहते हैं, लेकिन फिर आप उनके सभी उत्तरों को एक विशाल, गुमनाम ब्लेंडर में डाल देते हैं। यह ब्लेंडर उनके उत्तरों को इतनी अच्छी तरह से मिला देता है कि कोई भी यह नहीं बता सकता कि कौन सा उत्तर किस व्यक्ति का था। यह "गुमनामी" (anonymity) उनके डेटा को व्यक्तिगत रूप से झूठ बोलने की तुलना में बहुत अधिक सुरक्षित बनाती है।

यह पेपर, जो एलेक्स श्वेट्स द्वारा लिखा गया है, एक आदर्श "झूठ-और-मिक्स" मशीन बनाने के लिए एक मास्टर ब्लूप्रिंट की तरह है। यह दो बड़ी समस्याओं को हल करता है:

यह वास्तव में कितनी निजी है? (प्राइवेसी एनवेलप/गोपनीयता आवरण)
हम सबसे सटीक उत्तर कैसे प्राप्त कर सकते हैं? (डिज़ाइन)

सरल उपमाओं (analogies) का उपयोग करके इसका विवरण यहाँ दिया गया है:

1. "एंकोर्ड लॉ" (Anchored Law): मास्टर रेसिपी

आमतौर पर, इन प्राइवेसी मशीनों को डिजाइन करते समय, इंजीनियर संभावनाओं के जटिल मैट्रिक्स (एक विशाल स्प्रेडशीट कि "यदि वे वनीला कहते हैं, तो हो सकता है कि उन्हें चॉकलेट पसंद हो") को देखते हैं। यह बहुत उलझा हुआ और तुलना करने में कठिन होता है।

श्वेट्स एक नया तरीका पेश करते हैं: द एंकोर्ड लॉ।

उपमा: कल्पना कीजिए कि प्रत्येक प्राइवेसी मशीन सूप का एक अनूठा स्वाद है। हर सामग्री की सूची बनाने के बजाय, श्वेट्स कहते हैं, "आइए केवल सूप के गुरुत्वाकर्षण केंद्र (center of gravity) को देखें।"
वह प्रत्येक संभावित मशीन को एक विशिष्ट ज्यामितीय आकार (सिम्प्लेक्स) के भीतर एक बिंदु (या बिंदुओं के एक छोटे बादल) के रूप में मैप करते हैं।
महत्व: यह एक उलझे हुए, उच्च-आयामी (high-dimensional) समस्या को एक सरल ज्यामिति समस्या में बदल देता है। यदि आप अपनी मशीन का "केंद्र" जानते हैं, तो आप जानते हैं कि वह वास्तव में कैसे व्यवहार करती है।

2. द प्राइवेसी एनवेलप: "वर्स्ट-केस" (सबसे खराब स्थिति) ढाल

जब आप डेटा को शफल (shuffle) करते हैं, तो आप जानना चाहते हैं: "गोपनीयता का सबसे बुरा मामला क्या हो सकता है?"

उपमा: कल्पना कीजिए कि आप तीरों को रोकने के लिए एक ढाल बना रहे हैं। आप जानना चाहते हैं कि सबसे शक्तिशाली तीर कौन सा है जो आप पर लग सकता है।
खोज: श्वेट्स सिद्ध करते हैं कि गोपनीयता के लिए "सबसे खराब-मामला" (worst-case) हमेशा एक ही रहता है, चाहे आपके पास कितने भी फ्लेवर (विकल्प) हों या आपका सर्वेक्षण कितना भी बड़ा क्यों न हो।
विजेता: "बाइनरी रैंडमाइज्ड रिस्पांस" (एक सरल कॉइन-फ्लिप शैली का झूठ) यूनिवर्सल चैंपियन है। यह सबसे "टाइट" प्राइवेसी शील्ड बनाता है। यदि आप किसी अन्य जटिल मशीन का उपयोग करते हैं, तो आप या तो कम निजी होंगे या इस सरल एक से बेहतर नहीं होंगे।
"रिजिडिटी" (कठोरता) ट्विस्ट: पेपर यह भी सिद्ध करता है कि यदि आप एक आदर्श प्राइवेसी शील्ड प्राप्त करते हैं, तो आपकी मशीन को इस सरल कॉइन-फ्लिप शैली का ही होना चाहिए। आप एक फैंसी मशीन का उपयोग करके सिस्टम को धोखा देकर समान परिणाम प्राप्त नहीं कर सकते।

3. द डिज़ाइन: "लो-बजट" ऑप्टिमाइज़र

अब, कल्पना कीजिए कि आपके पास एक सीमित बजट है। आप केवल एक निश्चित मात्रा में झूठ बोलने का खर्च उठा सकते हैं (एक "लो बजट")। आप आइसक्रीम की गिनती के लिए सबसे सटीक उत्तर कैसे प्राप्त कर सकते हैं?

उपमा: आपके पास पानी की एक बाल्टी (आपका डेटा) है और एक लीक होता हुआ कप (आपका प्राइवेसी कंस्ट्रेंट) है। आप बिना पानी गिराए जितना संभव हो सके उतना पानी ले जाना चाहते हैं।
खोज:
- "लो बजट" की दुनिया में: सबसे अच्छी मशीन सरल कॉइन-फ्लिप का एक थोड़ा संशोधित संस्करण है, जिसे ऑगमेंटेड रैंडमाइज्ड रिस्पांस कहा जाता है। यह एक कॉइन फ्लिप की तरह है जो कभी-कभी प्राइवेसी बचाने के लिए बस "मुझे नहीं पता" कहता है, लेकिन जब यह बोलता है, तो यह स्पष्ट रूप से बोलता है।
- "रॉ बजट" की दुनिया में: यदि आपके पास झूठ बोलने पर एक सख्त नियम है (जैसे, "आप कभी 'वनीला' नहीं कह सकते यदि आपको वास्तव में 'चॉकलेट' पसंद है"), तो सबसे अच्छी मशीन एक सबसेट सिलेक्शन (Subset Selection) है। यह लोगों को यह बताने जैसा है: "अपने शीर्ष 3 पसंदीदा फ्लेवर चुनें, और मैं उनमें से एक को याद से चुनूँगा जिसे रिपोर्ट किया जाए।" पेपर ठीक से गणना करता है कि सबसे अच्छे परिणाम प्राप्त करने के लिए आपको कितने फ्लेवर (सबसेट साइज) चुनने चाहिए।

4. "शैडो" (परछाईं) की ज्यामिति

पेपर "प्रोजेक्टिव फाइबर्स" और "लाइक्लीहुड-रेशियो ज्योमेट्री" जैसे कुछ फैंसी गणितीय शब्दों का उपयोग करता है।

उपमा: कल्पना कीजिए कि आपके पास एक 3D वस्तु (एक प्राइवेसी मशीन) है और आप उस पर रोशनी डालते हैं। उसकी दीवार पर पड़ने वाली छाया 2D है।
श्वेट्स दिखाते हैं कि पूरे समूह (शफल) की जटिल गोपनीयता केवल दो लोगों के बीच के एक बहुत सरल, एक-आयामी संबंध की छाया (shadow) है। छाया का अध्ययन करके, आप पूरी वस्तु को पूरी तरह से समझ सकते हैं।

"बड़ी जीत" का सारांश

सरलीकरण: यह एक जटिल, बहु-चर (multi-variable) प्राइवेसी समस्या को एक विशिष्ट आकार पर एक सरल ज्यामिति समस्या में बदल देता है।
सार्वभौमिकता (Universality): यह सिद्ध करता है कि सबसे सरल "कॉइन-फ्लिप" शैली का झूठ वास्तव में किसी भी स्थिति के लिए सबसे अच्छा प्राइवेसी शील्ड है।
सटीकता: यह हमें बताता है कि आपका सर्वेक्षण कितना सटीक होगा, न कि केवल "लगभग" अनुमान। आप 100 लोगों या 100 मिलियन लोगों के सर्वेक्षण के लिए सटीक त्रुटि (error) की गणना कर सकते हैं।
"टू-ऑर्बिट" (Two-Orbit) रहस्य: गोपनीयता और सटीकता के बीच सही संतुलन खोजने की कोशिश करते समय, पेपर सिद्ध करता है कि आपको सबसे अच्छा परिणाम प्राप्त करने के लिए केवल दो सरल प्रकार की मशीनों को मिलाने की आवश्यकता है। आपको हज़ार अलग-अलग रणनीतियों की आवश्यकता नहीं है; बस दो।

संक्षेप में: यह पेपर शफल मॉडल के लिए "यूजर मैनुअल" है। यह हमें बताता है कि सबसे सरल उपकरण अक्सर सबसे शक्तिशाली होते हैं, यह हमें उन्हें पूरी तरह से बनाने के लिए सटीक गणित देता है, और यह सिद्ध करता है कि हम गोपनीयता के नियमों को तोड़े बिना इन विशिष्ट डिज़ाइनों से बेहतर नहीं कर सकते।

यहाँ एलेक्स श्वेत्स के शोध पत्र "Anchored Likelihood-Ratio Geometry of Anonymous Shuffle Experiments: Exact Privacy Envelopes and Universal Low-Budget Design" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र शफल मॉडल (Shuffle Model) के डिफरेंशियल प्राइवेसी (DP) में दो मौलिक चुनौतियों को संबोधित करता है:

सटीक प्राइवेसी एनवेलप्स (Exact Privacy Envelopes): शफल मैकेनिज्म के सटीक प्राइवेसी गारंटियों (विशेष रूप से $f$ -divergences और हॉकी-स्टिक प्रोफाइल्स के लिए) को सीमित सैंपल आकार ( $n$ ) पर निर्धारित करना, न कि केवल एसिम्प्टोटिक (asymptotic) अनुमानों पर निर्भर रहना।
कैनोनिकल मैकेनिज्म डिज़ाइन (Canonical Mechanism Design): विशिष्ट प्राइवेसी बजट के तहत, विशेष रूप से लो-बजट (low-budget) शासन और रॉ लोकल DP (raw local DP) बाधाओं के तहत, एस्टीमेशन रिस्क (जैसे फ्रीक्वेंसी एस्टीमेशन) को कम करने के लिए इष्टतम लोकल चैनल (मैकेनिज्म) खोजना।

शफल मॉडल, लोकल DP (LDP) और सेंट्रल DP मॉडलों के बीच स्थित है। उपयोगकर्ता स्थानीय स्तर पर डेटा को प्राइवेट करते हैं, और एक 'शफलर' एनालिस्ट को भेजने से पहले संदेशों के संग्रह को गुमनाम (anonymize) कर देता है। शफ़लिंग द्वारा प्रदान की गई गुमनामी प्राइवेसी को बढ़ा देती है, लेकिन इष्टतम डिज़ाइन की ज्यामिति (geometry) LDP सेटिंग से काफी भिन्न होती है।

2. कार्यप्रणाली: द एंकोर्ड एफ़ाइन लाइकलीहुड-रेशियो लॉ (The Anchored Affine Likelihood-Ratio Law)

इस शोध पत्र का मुख्य नवाचार एक नए ज्यामितीय ढांचे के परिचय पर केंद्रित है जो एक एकल वस्तु पर आधारित है: एंकोर्ड एफ़ाइन लाइकलीहुड-रेशियो लॉ (Anchored Affine Likelihood-Ratio Law)।

स्टेट स्पेस (The State Space): चैनल मैट्रिसेस या आउटपुट अल्फाबेट्स पर काम करने के बजाय, लेखक किसी भी परिमित-आउटपुट $d$ $d$ -ary चैनल को एक विशिष्ट पॉलीटोप $X_d \subset \mathbb{R}^{d-1}$ $X_{d} \subset R^{d - 1}$ पर एक प्रोबेबिलिटी मेजर $\rho$ $ρ$ में मैप करता है।
- $X_d$ को एक सेंटर्ड रेगुलर सिम्प्लेक्स $\gamma_1, \dots, \gamma_d$ के वर्टिसेस द्वारा परिभाषित किया गया है।
- मेजर $\rho$ का मीन शून्य होना चाहिए ( $\int x \rho(dx) = 0$ )।
रिप्रेजेंटेशन थ्योरम (Representation Theorem - Section 2): परिमित-आउटपुट $d$ $d$ -ary चैनल्स (कंडीशनली आइडेंटिकल रिफाइनमेंट्स के मॉड्यूल) और इन एंकोर्ड लॉज़ $\rho$ $ρ$ के बीच एक बायजेक्शन (bijection) है।
- चैनल आउटपुट प्रोबेबिलिटीज को एक एफ़ाइन टिल्ट (affine tilt) के माध्यम से प्राप्त किया जाता है: $W(B|i) = \int_B (1 + \gamma_i^\top x) \rho(dx)$ ।
- कंपोजिशन वेक्टर $\theta$ एक टिल्टेड मेजर $q_\theta(dx) = (1 + h_\theta^\top x)\rho(dx)$ को प्रेरित करता है।
प्रोजेक्टिव फाइबर्स (Projective Fibers - Section 3): पेपर विभिन्न इनपुट कंपोजिशन के बीच संबंध का विश्लेषण करने के लिए प्रोजेक्टिव मैप्स का उपयोग करता है। एक बेस पॉइंट $h$ के लिए, "फाइबर" $\eta_h$ टिल्टेड मेजर का पुशफॉरवर्ड है। यह जटिल बहु-आयामी प्राइवेसी विश्लेषण को एक-आयामी स्केलर शैडो (scalar shadows) में बदल देता है।
कोवेरियंस एज द डिज़ाइन मेट्रिक (Covariance as the Design Metric): कोवेरियंस मैट्रिक्स $\Sigma(\rho) = \int xx^\top \rho(dx)$ को कैनोनिकल एस्टीमेटर के रिस्क को नियंत्रित करने वाली वस्तु के रूप में पहचाना गया है।

3. प्रमुख योगदान और परिणाम

A. यूनिवर्सल प्राइवेसी एनवेलप्स और रिजिडिटी (Universal Privacy Envelopes and Rigidity - Section 4)

यह शोध पत्र स्थापित करता है कि बाइनरी रैंडमाइज्ड रिस्पॉन्स (BRR) शफल मॉडल में प्राइवेसी एम्प्लीफिकेशन के लिए सार्वभौमिक रूप से इष्टतम है।

यूनिवर्सल एक्सट्रेमलिटी (Universal Extremality): सभी $\epsilon_0$ -LDP बाधाओं को संतुष्ट करने वाले सभी लोकल चैनल्स के बीच, BRR शफलिंग के बाद सभी कॉनवेक्स $f$ -divergences और दोनों डायरेक्टेड हॉकी-स्टिक प्रोफाइल्स को मैक्सिमाइज करता है। यह किसी भी अल्फाबेट साइज $d$ और किसी भी सैंपल साइज $n$ के लिए पॉइंटवाइज (pointwise) सत्य है।
रिजिडिटी कन्वर्स (Rigidity Converse): यदि कोई मैकेनिज्म BRR के समान सटीक प्राइवेसी एनवेलप (दोनों डायरेक्टेड हॉकी-स्टिक बाउंड्स को सैचुरेट करते हुए) प्राप्त करता है, तो अंतर्निहित लोकल मैकेनिज्म अनिवार्य रूप से BRR ही होना चाहिए। यह इष्टतमता का एक शार्प कैरेक्टराइजेशन प्रदान करता है।
रिडक्शन (Reduction): पेयरवाइज शफल्ड प्राइवेसी ठीक से प्रोजेक्टिव फाइबर्स के वन-डायमेंशनल शैडो में कम हो जाती है, जिससे जटिल मैकेनिज्म का विश्लेषण सरल हो जाता है।

B. $\chi^$ बजट के तहत सटीक कैनोनिकल डिज़ाइन (Exact Canonical Design under $\chi^$ Budget - Sections 5–7)

यह पेपर कैनोनिकल पेयरवाइज $\chi^*$ बजट (लोकल प्राइवेसी कॉस्ट का एक विशिष्ट माप) के तहत मैकेनिज्म डिज़ाइन समस्या को हल करता है।

ट्रेस कैप थ्योरम (Trace Cap Theorem): पेपर $\chi^*$ $χ^{*}$ बजट के संदर्भ में कोवेरियंस मैट्रिक्स के ट्रेस पर एक सटीक ऊपरी सीमा (upper bound) प्राप्त करता है (जो एस्टीमेशन रिस्क के व्युत्क्रमानुपाती है)।
- $\text{tr}(\Sigma(\rho)) \leq K_d \cdot \chi^*(\rho)$ , जहाँ $K_d$ एक डायमेंशन-डिपेंडेंट कांस्टेंट है।
ऑगमेंटेड रैंडमाइज्ड रिस्पॉन्स (ARR) की इष्टतमता: लो-बजट शासन में, ऑगमेंटेड रैंडमाइज्ड रिस्पॉन्स (आइडेंटिटी और एक विशिष्ट टू-पॉइंट डिस्ट्रीब्यूशन का मिश्रण) एकमात्र कैनोनिकल ऑप्टिमाइज़र है। यह मिनिमैक्स रिस्क के लिए शार्प लीडिंग कांस्टेंट प्राप्त करता है।
टू-ऑर्बिट रिडक्शन (Two-Orbit Reduction): ग्लोबल $\chi^*$ फ्रंटियर (प्राइवेसी बजट और रिस्क के बीच ट्रेड-ऑफ) के लिए, पेपर सिद्ध करता है कि प्रत्येक इष्टतम बिंदु अधिकतम दो एक्सचेंजएबल ऑर्बिट लॉ के मिश्रण द्वारा प्राप्त किया जाता है। यह अनंत-आयामी अनुकूलन समस्या को दो विशिष्ट मैकेनिज्म के सरल कॉनवेक्स कॉम्बिनेशन में बदल देता है।

C. रॉ लोकल $\epsilon_0$ कैप के तहत सटीक डिज़ाइन (Exact Design under Raw Local $\epsilon_0$ Cap - Section 9)

यह पेपर मानक रॉ लोकल DP बाधा ( $e^{-\epsilon_0} \leq \frac{P(y|j)}{P(y|i)} \leq e^{\epsilon_0}$ ) के तहत डिज़ाइन को संबोधित करता है।

सबसेट सिलेक्शन ऑप्टिमलिटी (Subset Selection Optimality): इष्टतम मैकेनिज्म को एक एक्सचेंजएबल सबसेट-सिलेक्शन मैकेनिज्म के रूप में पहचाना गया है (जो एसिम्प्टोटिक साहित्य में पहले से ज्ञात है)।
सटीक फाइनाइट- $n$ फॉर्मूला (Exact Finite- $n$ Formulas): पेपर इष्टतम सबसेट साइज $s^*$ $s^{*}$ के लिए स्पष्ट, क्लोज्ड-फॉर्म फॉर्मूला और सटीक फाइनाइट- $n$ $n$ रिस्क प्रदान करता है।
- इष्टतम सबसेट साइज $s^*$ को $d$ और $\epsilon_0$ के एक विशिष्ट फंक्शन को मैक्सिमाइज करके निर्धारित किया जाता है, जो $\{ \lfloor \frac{d}{\lambda+1} \rfloor, \lceil \frac{d}{\lambda+1} \rceil \}$ के भीतर होता है जहाँ $\lambda = e^{\epsilon_0}$ ।
लो-बजट से अंतर: यह पेपर स्पष्ट करता है कि रॉ $\epsilon_0$ कैप (सबसेट सिलेक्शन) के लिए ऑप्टिमाइज़र, $\chi^*$ बजट (ऑगमेंटेड रैंडमाइज्ड रिस्पॉन्स) के ऑप्टिमाइज़र से अलग है, भले ही दोनों को एक ही एंकोर्ड ज्योमेट्री के भीतर हल किया गया हो।

D. एसिम्प्टोटिक मिनिमैक्स ऑप्टिमलिटी (Asymptotic Minimax Optimality - Section 8)

पेपर सिद्ध करता है कि ऑगमेंटेड रैंडमाइज्ड रिस्पॉन्स लो-बजट शासन में सभी एस्टीमेटर्स (केवल कैनोनिकल नहीं) पर एसिम्प्टोटिकली मिनिमैक्स-ऑप्टिमल है, जो शार्प लीडिंग कांस्टेंट प्राप्त करता है।

4. महत्व और प्रभाव (Significance and Impact)

एसिम्प्टोटिक्स के ऊपर सटीकता (Exactness over Asymptotics): मौजूदा साहित्य के विपरीत जो अक्सर गॉसियन एप्रोक्सिमेशन या एसिम्प्टोटिक लिमिट्स ( $n \to \infty$ ) पर निर्भर करता है, यह कार्य प्राइवेसी एनवेलप्स और डिज़ाइन रिस्क दोनों के लिए सटीक, फाइनाइट- $n$ परिणाम प्रदान करता है।
ज्यामितीय एकीकरण (Geometric Unification): "एंकोर्ड लॉ" ढांचा एक कठोर, एकीकृत भाषा प्रदान करता है जो सटीक प्राइवेसी एनवेलप्स और लो-बजट डिज़ाइन को लेखक के पिछले ट्रिलोजी में चर्चा किए गए नॉन-गॉसियन एसिम्प्टोटिक रेजीम्स से अलग करता है। यह स्पष्ट करता है कि जबकि एंकोर्ड ज्योमेट्री सटीक एनवेलप्स और लो-बजट डिज़ाइन के लिए उत्तम है, यह नॉन-गॉसियन फिक्स्ड-कंपोजिशन एसिम्प्टोटिक्स को समाहित नहीं करती है।
रिजिडिटी (Rigidity): रिजिडिटी कन्वर्स परिणाम महत्वपूर्ण हैं क्योंकि वे सिद्ध करते हैं कि यदि कोई मैकेनिज्म BRR जितना "अच्छा" है, तो वह BRR ही है। यह मैकेनिज्म चयन में अस्पष्टता को समाप्त करता है।
व्यावहारिक डिज़ाइन (Practical Design): सबसेट सिलेक्शन के लिए स्पष्ट फॉर्मूला और टू-ऑर्बिट रिडक्शन, शफल-आधारित प्राइवेसी सिस्टम बनाने वाले सिस्टम डिजाइनरों के लिए ठोस, लागू करने योग्य दिशानिर्देश प्रदान करते हैं, जो ह्यूरिस्टिक विकल्पों से आगे बढ़ते हैं।

5. निष्कर्ष (Conclusion)

एलेक्स श्वेत्स का शोध पत्र शफल मॉडल के सटीक प्राइवेसी और डिज़ाइन गुणों के लिए एक पूर्ण ज्यामितीय सिद्धांत स्थापित करता है। एक सिम्प्लेक्स पॉलीटोप पर मीन-जीरो प्रोबेबिलिटी मेजर को आधार बनाकर, लेखक सार्वभौमिक प्राइवेसी बाउंड्स प्राप्त करते हैं, विशिष्ट मैकेनिज्म (BRR और सबसेट सिलेक्शन) की इष्टतमता और रिजिडिटी सिद्ध करते हैं, और सटीक फाइनाइट-सैंपल रिस्क फॉर्मूला प्रदान करते हैं। यह कार्य सैद्धांतिक प्राइवेसी गारंटी और व्यावहारिक मैकेनिज्म डिज़ाइन के बीच के अंतर को पाटता है, जो शफल मॉडल के लिए एक गणितीय रूप से सटीक टूलकिट पेश करता है।