贝叶斯时间序列匹配中隐私的渐近极限
信息论
2019-02-19 v1 math.IT
摘要
各种现代且极受欢迎的应用利用用户数据轨迹来提供特定服务，通常是为了改善用户使用此类应用时的体验。然而，即使用户数据通过采用隐私保护机制（PPM）进行了隐私化处理，用户的隐私仍可能被外部方通过利用统计匹配方法将用户轨迹与其先前活动相匹配而泄露。本文中，针对用户轨迹尽管经过数据时间序列匿名化但仍可匹配到先前行为序列的情形，我们给出了用户隐私的理论界限。对于每位用户的数据轨迹由从多项分布中抽取的独立同分布（i.i.d.）随机样本组成的情况，以及用户数据点随时间相关且每位用户的数据轨迹由马尔可夫链模型支配的情况，我们都给出了可达性与逆定理结果。
引用
@article{arxiv.1902.06404,
title = {Asymptotic Limits of Privacy in Bayesian Time Series Matching},
author = {Nazanin Takbiri and Dennis L. Goeckel and Amir Houmansadr and Hossein Pishro-Nik},
journal= {arXiv preprint arXiv:1902.06404},
year = {2019}
}
备注
The 53rd Annual Conference on Information Sciences and Systems