分布式差分隐私下的联邦实验设计
密码学与安全
2023-11-09 v1 应用统计
摘要
实验设计有着超过一个世纪的丰富历史，并自此在各个领域发现了许多关键应用。实验中用户数据的使用和收集通常涉及敏感个人信息，因此在数据收集、存储和使用过程中需要采取额外措施保护个人隐私。在这项工作中，我们专注于在最小化对服务提供商信任的同时，严格保护用户隐私（在差分隐私（DP）概念下）。具体而言，我们考虑在 DP 下估计平均处理效应（ATE），同时仅允许分析人员通过安全聚合收集总体层面统计信息，安全聚合是一种分布式协议，使服务提供商能够聚合信息而无需访问个人数据。尽管私密分布式实验是现代 A/B 测试工作流中的重要组成部分，但此前尚未被研究。为实现 DP，我们设计了与安全聚合兼容的本地隐私化机制，并从渐近和非渐近角度分析了其效用（以置信区间宽度为度量）。我们展示了如何将这些机制扩展以处理实践中常见的大量参与者。此外，在引入 DP 噪声时，必须巧妙拆分隐私预算以估计结果的均值和方差，并根据 DP 噪声仔细校准置信区间。最后，我们对所提方案进行了全面的实验评估，并展示了实验设计中的隐私-效用权衡。
引用
@article{arxiv.2311.04375,
title = {Federated Experiment Design under Distributed Differential Privacy},
author = {Wei-Ning Chen and Graham Cormode and Akash Bharadwaj and Peter Romov and Ayfer Özgür},
journal= {arXiv preprint arXiv:2311.04375},
year = {2023}
}