通过统计选举进行顺序划分的差分隐私数据发布
应用统计
2020-10-22 v4
摘要
差分隐私（DP）以数学形式定义了隐私，并为隐私保护提供了稳健的概念。差分隐私数据合成（DIPS）技术在 DP 框架内生成并发布合成的个体级数据。开发 DIPS 方法的一个关键挑战是保持合成数据的统计效用，尤其是在高维设置下。我们提出了一种新的 DIPS 方法，即通过统计选举进行顺序划分（STEPS），该方法根据实际或统计重要性度量，按照属性的重要性排名对数据进行划分。STEPS 旨在为具有较高重要性排名的属性实现更好的原始信息保留，从而总体上产生更有用的合成数据。我们提出了一种实现 STEPS 过程的算法，并利用隐私预算可组合性确保总体隐私成本控制在预先指定的值。我们将 STEPS 过程应用于模拟数据和 2000-2012 年当前人口调查青年选民数据。结果表明，与 PrivBayes、一种改进的均匀直方图方法以及平坦 Laplace 净化器相比，STEPS 能够更好地保留总体级信息和某些分析所需的原始信息。
引用
@article{arxiv.1803.06763,
title = {Differentially Private Data Release via Statistical Election to Partition Sequentially},
author = {Claire McKay Bowen and Fang Liu and Binyue Su},
journal= {arXiv preprint arXiv:1803.06763},
year = {2020}
}
备注
24 pages, 7 figures