用于高效重识别风险控制的差分隐私数据合成

保护用户数据隐私可通过多种方法实现，从统计变换到生成模型不一而足。然而，它们都存在关键缺陷。例如，使用传统技术创建变换后的数据集极为耗时。此外，近期基于深度学习的方案除训练阶段漫长外还需大量计算资源，而基于差分隐私的方案可能损害数据效用。本文提出$\epsilon$-PrivateSMOTE，一种旨在防范重识别与关联攻击的技术，特别针对高\sloppy重识别风险的情形。我们的方案将基于噪声插值的合成数据生成与差分隐私原则相结合，以混淆高风险样本。我们展示了$\epsilon$-PrivateSMOTE相较于多种传统及最先进的隐私保护方法（包括生成对抗网络、变分自编码器和差分隐私基线）在隐私风险上取得有竞争力的结果且具备更优的预测性能。我们还表明该方法将时间需求至少缩减9倍，是一种无需专用硬件即可保障高性能的资源高效方案。