通过个体差分隐私与微聚合协调数据发布中的隐私与效用

$\epsilon$-差分隐私（DP）是一种众所周知的隐私模型，可提供强大的隐私保证。然而，当应用于数据发布时，DP 会显著降低受保护结果的解析效用。为了将数据效用保持在合理水平，DP 在数据发布中的实际应用使用了较弱的隐私参数（较大的 $\epsilon$），这稀释了 DP 的隐私保证。在本工作中，我们通过使用 DP 隐私保证的替代公式（名为 $\epsilon$-个体差分隐私，iDP）来解决这一问题，该方法在为主体提供与 DP 相同保护的同时，造成的数据失真更小。我们依靠属性掩蔽加上基于数据微聚合的预处理步骤，在数据发布中强制执行 iDP。此步骤的目标是降低对记录变化的敏感度，从而决定强制执行 iDP（和 DP）所需的噪声量。具体而言，我们提出了专为 iDP 设计的数据微聚合策略，其敏感度显著低于 DP 中使用的策略。结果是，我们获得的 iDP 保护数据具有比 DP 显著更好的效用。我们报告了实验结果，展示了我们的方法如何在提供强隐私（小 $\epsilon$）的同时，生成的受保护数据不会显著降低二次数据分析的准确性。