经验风险最小化中混淆采用的均值场Stackelberg博弈方法
密码学与安全
2017-10-17 v2
摘要
由于在线追踪、可穿戴计算和物联网，数据生态正变得越来越大且复杂。但隐私担忧正威胁侵蚀这些系统的潜在益处。最近，用户开发了发出虚假搜索引擎查询、破坏位置追踪算法或规避政府监控的混淆技术。有趣的是，这些技术引发了两种冲突：一种是每个用户与追踪用户的机器学习算法之间的冲突，另一种是用户彼此之间的冲突。在本文中，我们使用博弈论以Stackelberg博弈捕获第一种冲突，以平均场博弈捕获第二种冲突。我们将两者结合到一个动态战略双层框架中，该框架使用经验风险最小化量化准确性，并使用差分隐私量化隐私。在均衡中，我们确定了必要且充分条件，在此条件下1)如果每个用户都在混淆，则每个用户有动机去混淆；2)追踪算法可以通过承诺一定水平的隐私保护来避免这一点；3)该承诺对追踪算法是激励兼容的。
引用
@article{arxiv.1706.02693,
title = {A Mean-Field Stackelberg Game Approach for Obfuscation Adoption in Empirical Risk Minimization},
author = {Jeffrey Pawlick and Quanyan Zhu},
journal= {arXiv preprint arXiv:1706.02693},
year = {2017}
}
备注
IEEE Global SIP Symposium on Control & Information Theoretic Approaches to Privacy and Security