BUDS：通过洗牌平衡效用与差分隐私

通过洗牌平衡效用与差分隐私（Balancing Utility and Differential Privacy by Shuffling，BUDS）是一种面向众包统计数据库的方法，利用差分隐私理论实现强隐私与效用的平衡。本文提出一种新算法，使用独热编码和迭代洗牌，结合损失估计与风险最小化技术，来平衡效用与隐私。本工作中，从不同来源和客户端收集独热编码数据后，通过基于分析师查询的迭代洗牌、带更新函数的损失估计与风险最小化的新型属性洗牌技术步骤，生成效用与隐私平衡的差分隐私报告。在平衡效用与隐私的实证测试中，BUDS 产生 $\epsilon = 0.02$，这是一个非常有前景的结果。我们的算法维持隐私界 $\epsilon = ln [t/((n_1 - 1)^S)]$ 与损失界 $c' \bigg|e^{ln[t/((n_1 - 1)^S)]} - 1\bigg|$。