上下文感知生成对抗隐私

在保持已发布数据集效用的同时提供可证明的隐私保证是一个众所周知的挑战。一方面，上下文无关隐私方案（如差分隐私）提供强隐私保证，但常导致效用显著下降。另一方面，上下文感知隐私方案（如信息论隐私）实现了改进的隐私-效用权衡，但假设数据持有者能访问数据集统计信息。我们通过引入一种称为生成对抗隐私（GAP）的新型上下文感知隐私框架来规避这些局限。GAP 利用生成对抗网络（GANs）的近期进展，使数据持有者能从数据集自身学习私有化方案。在 GAP 下，学习隐私机制被表述为两个玩家之间的约束极小极大博弈：一个私有化者以限制对个体私有变量推断攻击风险的方式净化数据集，以及一个试图从净化后数据集推断私有变量的对手。为评估 GAP 性能，我们研究了两种简单（但典型）的统计数据集模型：（a）二值数据模型，以及（b）二值高斯混合模型。对两种模型，我们推导了博弈论最优极小极大隐私机制，并展示以生成对抗方式从数据学习的隐私机制与理论最优机制相符。这表明我们的框架即使在没有数据集统计信息时也可轻松应用于实践。