上下文感知的本地差分隐私
机器学习
2020-07-29 v2 密码学与安全
数据结构与算法
信息论
math.IT
机器学习
摘要
本地差分隐私（LDP）是一种针对个体用户的强隐私概念，常以效用的显著下降为代价。LDP 的经典定义假设数据域中所有元素具有同等的敏感性。然而，在许多应用中，某些符号比其他符号更敏感。本文提出一种上下文感知的本地差分隐私框架，使隐私设计者能将应用上下文纳入隐私定义。对于二值数据域，我们给出了一种普适最优的私有化方案，并阐明其与 Warner 随机响应（RR）和 Mangat 改进响应的联系。受地理定位和网页搜索应用驱动，对于 元数据域，我们考虑上下文感知 LDP 的两种特例：块结构 LDP 与高低 LDP。我们研究了离散分布估计，并为两种模型提供了通信高效、样本最优的方案以及信息论下界。我们表明，使用上下文信息可比经典 LDP 以更少样本达到相同精度。
引用
@article{arxiv.1911.00038,
title = {Context-Aware Local Differential Privacy},
author = {Jayadev Acharya and Keith Bonawitz and Peter Kairouz and Daniel Ramage and Ziteng Sun},
journal= {arXiv preprint arXiv:1911.00038},
year = {2020}
}