基于反向排序方法与绩效数据聚合的差分隐私排序
密码学与安全
2025-11-13 v1 人工智能
摘要
多准则决策（MCDM）是运营研究的一个子领域，帮助决策者基于冲突准则进行替代方案的选择、排序或排序。在此基础上，其应用范围逐渐扩展到动态和数据驱动的领域，如推荐系统。在这些情境下，个人和敏感数据的可用性与处理方式在决策过程中发挥着关键作用。尽管对敏感数据的依赖性增加，但将隐私机制与MCDM方法的集成仍不成熟。本文引入一种集成方法，将MCDM反向排序方法与差分隐私（DP）相结合，在排序问题中保护个人贡献的隐私。该方法依赖于一个预处理步骤，将多个用户评估聚合为综合绩效矩阵。评估结果表明，真实排序与其匿名化版本之间存在强到非常强的统计相关性，确保了稳健的隐私参数保证。
引用
@article{arxiv.2511.09120,
title = {Differentially Private Rankings via Outranking Methods and Performance Data Aggregation},
author = {Luis Del Vasto-Terrientes},
journal= {arXiv preprint arXiv:2511.09120},
year = {2025}
}
备注
Accepted and published in the USB Proceedings of the 22th International Conference on Modeling Decisions for Artificial Intelligence (MDAI 2025), Valencia, Spain, September 15--18, 2025, ISBN 978-91-531-0240-3, pp. 21--32