具有局部化信息隐私的上下文感知数据聚合

本文提出局部化信息隐私（LIP）作为一种新的隐私定义，它允许在无需可信第三方的情况下进行统计聚合同时保护用户隐私。通过引入先验，将上下文感知的概念纳入LIP，从而能够利用先验知识设计保护隐私的数据聚合。我们证明LIP通过显式建模攻击者的知识，放宽了局部差分隐私（LDP）的定义。然而，它比$2\epsilon$-LDP和$\epsilon$-互信息隐私更严格。局部先验的引入使LIP相比其他方法能获得更高的效用。然后我们提出一个保护隐私的数据聚合优化框架，目标是在满足LIP隐私约束下最小化期望平方误差。在若干模型下以闭式得到了效用-隐私权衡。随后我们使用合成和真实世界数据通过数值分析验证了我们的分析。结果表明，我们的LIP机制提供了优于LDP的效用-隐私权衡，且当先验非均匀分布时，LIP的优势更为显著。