AAA：一种用于局部差分隐私均值估计的自适应机制

局部差分隐私（LDP）是一种强大的隐私标准，已被流行的软件系统采用。其主要思想是每个个体在本地扰动自己的数据，只将得到的噪声版本提交给数据聚合器。尽管在LDP下计算各种聚合类型和构建机器学习应用方面投入了大量努力，但近年来对基本扰动机制的研究并未取得显著进展。为了获得更精细的结果效用，现有工作主要集中于改进最坏情况下的保证。然而，这种方法并不一定能保证更好的平均性能，因为实际数据服从某种事先未知的分布。在本文中，我们提出了先进的自适应加性（AAA）机制，这是一种分布感知方法，旨在解决平均效用问题并处理经典的均值估计问题。AAA采用两步方法：首先，由于全局数据分布事先未知，数据聚合器选择一个随机子集的个体来计算（带噪声的）量化数据描述符；然后，数据聚合器从剩余个体收集数据，这些数据以分布感知的方式被扰动。后一步涉及的扰动是通过求解一个优化问题得到的，该问题利用前一步得到的数据描述符和任务确定效用的期望属性来构建。我们提供了严格的隐私证明、效用分析以及将AAA与最先进机制进行比较的大量实验。评估结果表明，在广泛的隐私约束和真实世界及合成数据集上，AAA机制在结果效用方面始终以明显优势优于现有解决方案。