基于小波变换的差分隐私

隐私保护数据发布近年来引起了广泛的研究兴趣。在现有解决方案中，{\em $\epsilon$-差分隐私}提供了最强的隐私保证之一。然而，现有的实现$\epsilon$-差分隐私的数据发布方法提供的数据效用很低。特别是，如果输出数据集用于回答计数查询，查询答案中的噪声可能与数据中的元组数量成正比，这使得结果毫无用处。在本文中，我们开发了一种数据发布技术，在确保$\epsilon$-差分隐私的同时，为{\em 范围计数查询}（即每个属性上的谓词为范围的计数查询）提供精确答案。我们解决方案的核心是一个框架，该框架在向数据添加噪声之前对其应用{\em 小波变换}。我们针对有序数据和名义数据提出了该框架的具体实例，并对其隐私和效用保证进行了理论分析。在真实数据和合成数据上的广泛实验研究表明了我们解决方案的有效性和效率。