局部隐私下的因果发现
密码学与安全
2024-05-06 v3 人工智能
机器学习
统计方法学
摘要
差分隐私是一种被广泛采用的框架，旨在保护数据集中数据提供者的敏感信息。它基于对存储和处理数据的服务器与数据使用者之间的接口施加受控噪声。局部差分隐私是一种变体，允许数据提供者各自对其数据单独施加隐私化机制。因此，即便服务器甚至数据收集者不可信，它也能提供保护。然而，引入噪声不可避免地影响数据效用，尤其通过扭曲各数据分量间的相关性。这种扭曲可能对因果发现等任务造成损害。本文中，我们考虑多种知名的局部差分隐私机制，并比较它们所提供的隐私与用于因果学习的算法在应用于这些机制混淆的数据时所生成因果结构的准确性之间的权衡。我们的分析为选择适用于因果发现任务的恰当局部差分隐私协议提供了有价值的见解。我们预期我们的发现将助力研究者和从业者开展局部隐私下的因果发现。
引用
@article{arxiv.2311.04037,
title = {Causal Discovery Under Local Privacy},
author = {Rūta Binkytė and Carlos Pinzón and Szilvia Lestyán and Kangsoo Jung and Héber H. Arcolezi and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:2311.04037},
year = {2024}
}