平衡相关数据中的隐私与实用性：贝叶斯差分隐私研究
密码学与安全
2025-07-16 v2 信息论
math.IT
摘要
差分隐私系统中的隐私风险在数据相关时会显著增加，因为标准差分隐私指标常常低估由此产生的隐私泄露，使敏感信息暴露于风险之中。鉴于现实数据库中依赖关系的普遍存在，这一疏漏为隐私保护提出了重大挑战。贝叶斯差分隐私（BDP）通过考虑这些相关性来扩展差分隐私，但当前的BDP机制表现出显著的实用性损失，限制了其采纳。本文聚焦于贝叶斯差分隐私能否在不牺牲实用性的前提下实现于常见数据结构中的实际部署——这一关键因素关乎其可行性。通过分析任意及结构化相关模型，包括高斯多变量分布和马尔可夫链，我们为BDP的实际应用提供了实用性保证。我们的贡献包括DP与BDP之间的理论联系，以及一种新颖的方法，用于调整差分隐私机制以满足BDP要求。通过在真实数据库上的评估，我们展示，新的定理使得设计能够保持竞争性实用性的BDP机制成为可能，为相关场景下的实际隐私保护数据实践铺平了道路。
引用
@article{arxiv.2506.21308,
title = {Balancing Privacy and Utility in Correlated Data: A Study of Bayesian Differential Privacy},
author = {Martin Lange and Patricia Guerra-Balboa and Javier Parra-Arnau and Thorsten Strufe},
journal= {arXiv preprint arXiv:2506.21308},
year = {2025}
}
备注
This is the extended version of the paper accepted in the Proceedings of the VLDB Endowment (PVLDB), 2025. The code used for our experiments is accessible in https://github.com/lange-martin/privacy-utility-bdp