一种面向统计参数隐私的模型随机化方法
系统与控制
2021-05-25 v1 系统与控制
摘要
本文研究一类传感器测量序列的隐私滤波器设计问题，其联合概率密度函数（p.d.f.）依赖于一个私有参数。为保障参数隐私，我们提出一种由随机化器与非线性变换两部分组成的滤波器设计框架。随机化器以私有参数为输入，随机生成伪参数；非线性映射对测量值进行变换，使滤波器输出的联合 p.d.f. 依赖于伪参数而非私有参数，并确保输出的联合 p.d.f. 与测量值同属一个分布族。该非线性变换具有前馈-反馈结构，可利用递归结构以低复杂度实时、因果地生成伪装测量值。随机化器的设计被表述为受隐私约束（以互信息度量）的优化问题，并证明最优随机化器为一凸优化问题的解。利用信息论不等式，我们证明基于隐私滤波器输出对私有参数的任意估计器性能均受该隐私约束限制。针对独立同分布、马尔可夫及高斯-马尔可夫测量等特殊情形，研究了非线性变换的结构。结果表明，高斯-马尔可夫情形下的隐私滤波器可实现为两个一步超前 Kalman 预测器与一组最小均方误差预测器，前者显著降低了计算伪装测量值的复杂度。以建筑自动化系统中的占用隐私数值例说明了该方法。
引用
@article{arxiv.2105.10664,
title = {A Model Randomization Approach to Statistical Parameter Privacy},
author = {Ehsan Nekouei and Henrik Sandberg and Mikael Skoglund and Karl H. Johansson},
journal= {arXiv preprint arXiv:2105.10664},
year = {2021}
}