AHEAD：局部差分隐私下用于范围查询的自适应层次分解
密码学与安全
2021-10-15 v1
摘要
为了保护用户的私有数据，局部差分隐私 (LDP) 已被用来提供保护隐私的范围查询，从而支持进一步的统计分析。然而，现有的基于 LDP 的范围查询方法受限于其特性，即根据预定义的结构收集用户数据。这些静态框架会导致向聚合数据中注入过多噪声，尤其是在低隐私预算设置下。在这项工作中，我们提出了一种自适应层次分解 (AHEAD) 协议，该协议自适应地、动态地控制构建的树结构，从而很好地控制注入的噪声以保持高实用性。此外，我们推导出了为 AHEAD 正确选择参数的指南，以便在严格满足 LDP 的同时，使整体实用性能够持续具有竞争力。利用多个真实和合成数据集，我们广泛展示了 AHEAD 在低维和高维范围查询场景中的有效性，以及它相对于最先进方法的优势。此外，我们为在实践中部署 AHEAD 提供了一系列有用的观察。
引用
@article{arxiv.2110.07505,
title = {AHEAD: Adaptive Hierarchical Decomposition for Range Query under Local Differential Privacy},
author = {Linkang Du and Zhikun Zhang and Shaojie Bai and Changchang Liu and Shouling Ji and Peng Cheng and Jiming Chen},
journal= {arXiv preprint arXiv:2110.07505},
year = {2021}
}
备注
To Appear in the ACM Conference on Computer and Communications Security (CCS) 2021