相关序列差分隐私

来自多个来源收集的数据流通常不独立。值随时间演化并在序列之间相互影响。这些相关性在医疗保健、金融和智能城市控制中提高了预测精度，但违反了大多数差分隐私(DP)机制中构建的记录独立性假设。为在不牺牲实用性的前提下恢复严格的隐私保证，我们引入相关序列差分隐私(CSDP)，这是一套专为保护相关序列数据而设计的框架。CSDP解决两个相关挑战：量化攻击者从联合时序和跨序列链接中获得的额外信息，以及添加足够的噪声以隐藏该信息同时保持数据实用。我们将多变量流模型化为耦合马尔可夫链，推导出以少数谱元表达的松散泄漏上界，揭示一种反直觉结果：更强的耦合实际上可以通过在序列之间分散扰动来降低最坏情况泄漏。基于这些上界，我们构建了新鲜调节自适应噪声(FRAN)机制——结合数据 aging、相关性感知灵敏度缩放和Laplace噪声——可线性运行。两个序列数据集上的测试表明，CSDP在已有相关-DP方法上约提高50%，与标准DP方法相比提高两个数量级。