差分隐私下的动态隐私任务分配
密码学与安全
2023-02-21 v1 数据库
摘要
数据收集对于空间众包服务（如资源分配、政策制定和科学探索）不可或缺。然而，隐私问题使得用户除非获得足够补偿，否则不愿共享其信息。差分隐私（Differential Privacy, DP）是一种在保护个体隐私的同时发布有用信息的有前景的机制。然而，大多数DP机制仅考虑对每个用户的隐私损失进行固定补偿。在本文中，我们设计了一种任务分配方案，允许工作者通过动态距离隐私泄露来动态提升其效用。具体而言，我们提出了两种提高任务分配结果总效用的解决方案，即隐私效用冲突消除（Private Utility Conflict-Elimination, PUCE）方法和隐私博弈论（Private Game Theory, PGT）方法。我们证明了PUCE比现有最先进的工作实现了更高的效用。我们在真实和合成数据集上，与近期基于距离的方法——隐私距离冲突消除（Private Distance Conflict-Elimination, PDCE）进行了比较，展示了我们的PUCE和PGT方法的效率和有效性。PUCE始终略优于PDCE。PGT比PDCE快50%至63%，并且当工作者范围足够大时，平均可提升16%的效用。
引用
@article{arxiv.2302.09511,
title = {Dynamic Private Task Assignment under Differential Privacy},
author = {Leilei Du and Peng Cheng and Libin Zheng and Wei Xi and Xuemin Lin and Wenjie Zhang and Jing Fang},
journal= {arXiv preprint arXiv:2302.09511},
year = {2023}
}
备注
[Technical Report]