具有多级数据效用的差分隐私数据发布

传统的隐私数据发布机制旨在尽可能保留数据效用，同时确保对敏感数据提供足够的隐私保护。此类数据发布方案隐含地假设所有数据分析师与用户具有相同的数据访问权限级别。然而，对于数据用户往往对同一数据具有不同访问级别或不同数据效用需求的场景，这并不适用。针对不同授权级别的多级隐私需求给隐私数据发布带来了新的挑战。传统的 PPDP 机制仅发布一份满足某种隐私保证的扰动私有数据副本，以提供相对准确的分析结果。在隐私保护级别与数据效用本身之间找到良好权衡已是一个难题，更不必说在此基础上实现多级数据效用。在本文中，我们通过提出一种支持多级效用-隐私权衡并提供差分隐私的基于压缩感知的数据发布新框架来解决这一挑战。具体而言，我们借助压缩感知（CS）方法将用户数据的 $n$ 维向量表示投影到较低的 $m$ 维空间，然后添加精心设计的噪声以满足差分隐私。接着，我们在压缩感知下通过添加线性编码噪声有选择地混淆测量向量，并为具有不同授权级别的用户提供不同的数据重构算法。大量实验结果表明，ML-DPCS 为处于不同授权级别特定用户产生了多级数据效用。