基于互信息神经估计器的数据隐私与效用权衡
信息论
2021-12-20 v1 math.IT
摘要
在大数据与物联网（IoT）时代，数据所有者需要在不安全环境中与预期接收方共享大量数据，这带来了用户隐私与数据效用之间的权衡问题。基于互信息的隐私漏斗促进了隐私—效用权衡。然而，在小样本量或未知分布函数的情况下，准确刻画互信息是极具挑战性的。在本文中，我们提出一种基于互信息神经估计器（MINE）的隐私漏斗，通过估计互信息来优化隐私—效用权衡。与传统计算互信息的方式不同，我们使用 MINE 以训练方式估计互信息，确保估计结果尽可能精确。我们将估计的互信息用作隐私与效用的度量，进而构建一个问题：在估计器的隐私度量低于某一阈值的情况下，通过训练神经网络优化数据效用。仿真结果也表明，即便在样本数量有限的情况下，MINE 估计的互信息也能很好地近似真实互信息，从而量化隐私泄露与数据效用保留，并优化隐私—效用权衡。
引用
@article{arxiv.2112.09651,
title = {Data Privacy and Utility Trade-Off Based on Mutual Information Neural Estimator},
author = {Qihong Wu and Jinchuan Tang and Shuping Dang and Gaojie Chen},
journal= {arXiv preprint arXiv:2112.09651},
year = {2021}
}
备注
Submit to IEEE IoT for a potential publishing