一种经典重量稀疏算法的隐私保护方案

在数据流中识别重量稀疏元素是现代分析系统中一个基本问题，这些数据流常来自敏感用户活动，因而需要提供更新级别的隐私保障。虽然近期工作已将经典的重量稀疏算法 Misra-Gries 调整以满足差分隐私，但其他在实际实用性上表现更好的重量稀疏算法的隐私化尚未有研究。基于此观察，我们提出了 SpaceSaving 算法的首个差分隐私变体。在无隐私设置下，SpaceSaving 被视为实际应用中的最先进方法。我们的构建通过注入渐近最优噪声，并应用精心校准的选择规则来抑制不稳定标签，对非私有 SpaceSaving 汇总进行后处理。这在保持强隐私保障的同时，保留了 SpaceSaving 的实际优势。其次，我们引入一种从任意差分隐私频率预言机中提取重量稀疏元素的通用方法。该方法仅需 O(k) 的额外内存，其中 k 为重量稀疏元素的数量，提供了从噪声频率估计中安全释放元素标识符的机制。这一方案为从线性 sketches 中实现高效、即插即用的私有重量稀疏恢复提供了可能。最后，我们在合成数据和真实数据集上进行了实验评估。在广泛的隐私参数和存储预算范围内，我们的方法在实用性上优于现有的差分隐私 Misra-Gries 算法。我们的结果表明，SpaceSaving 的实用优势在隐私化后仍得以保留，在强差分隐私保证下实现高效、实际的重量稀疏识别是可行的。