基于博弈论的基因组摘要统计信息隐私-效用权衡方法

在线基因组数据共享服务的兴起旨在通过允许关于遗传变异（如摘要统计信息）的查询，提高大规模基因组数据集的可访问性，帮助医疗保健提供者区分虚假的遗传变异与具有临床意义的变异。然而，众多研究表明，即使共享基因组摘要信息，也会因成员推断攻击而将数据集的各个成员暴露于显著的隐私风险之下。虽然已有多种方法通过添加噪声或减少共享信息量来降低隐私风险，但这些方法通常假设使用似然比检验（LRT）统计量的非自适应攻击。我们提出了一种用于基因组摘要统计信息共享的最优隐私-效用权衡的贝叶斯博弈论框架。我们的第一项贡献是证明，一种非常一般的贝叶斯攻击模型（该模型依据我们的博弈论方法）比传统基于LRT的威胁模型更强大，因为它会导致防御者（建模为von Neumann-Morgenstern决策者）受到更严重的隐私损失。即使攻击者使用非信息性主观先验，我们也证明了这一点。接下来，我们提出了一种可分析可行的方法，用于比较具有任意主观先验的贝叶斯攻击与在差分隐私框架中常用的高斯机制下的Neyman-Pearson最优LRT攻击。最后，我们提出了一种方法，通过深度神经网络生成器来近似求解博弈的贝叶斯-纳什均衡。我们的实验表明，所提出的博弈论框架比当前最佳方法在攻击力度和防御策略方面都更有效。