将差分隐私的洗牌模型应用于向量聚合
密码学与安全
2022-02-01 v3
摘要
在这项工作中，我们针对洗牌模型（差分隐私（DP）中的一种近期模型）下的向量聚合引入了一种新协议。该模型介于中心化模型（优先考虑精度而非数据保密性）与本地模型（信任的提升被高得多的噪声需求所抵消）之间。洗牌模型通过增加洗牌步骤，在解绑用户与其数据的同时保持适度的噪声需求，从而在这两种模型之间提供了良好的平衡。我们利用高级组合结果，给出了洗牌模型中实向量求和的单消息协议。我们的贡献提供了一种机制，能够对矩阵和高阶张量等更复杂的结构实现隐私聚合与分析，而这二者均依赖于向量情形的功能。
引用
@article{arxiv.2112.05464,
title = {Applying the Shuffle Model of Differential Privacy to Vector Aggregation},
author = {Mary Scott and Graham Cormode and Carsten Maple},
journal= {arXiv preprint arXiv:2112.05464},
year = {2022}
}
备注
17 pages, 3 figures, in: British International Conference on Databases (BICOD21), London, UK, 28 Mar 2022