自适应隐私预算分配

我们研究广义差分隐私下的自适应隐私预算分配问题。考虑如下设定：每个用户 $i\in [n]$ 持有一个元组 $x_i\in U:=U_1\times \dotsb \times U_T$，其中 $x_i(l)\in U_l$ 表示其数据的第 $l$ 个分量。对于每个 $l\in [T]$（或其子集），不受信任的分析师希望在尊重每个用户隐私的同时，计算某些 $f_l(x_1(l),\dots,x_n(l))$。对于许多函数 $f_l$，来自用户的数据并非同等重要，因此有潜力策略性地使用用户的隐私预算，从而产生隐私节约，用于提高后续查询的效用。具体而言，预算分配应自适应先前查询的输出，以便在更典型的实例上实现更大的节约。在本文中，我们提供了这样一个自适应预算分配框架，并通过各种应用展示了其适用性。