基于局部差分隐私的联邦重点分析

联邦重点分析使服务提供商能够通过分析最频繁出现的项目来更好地了解跨方用户的偏好。与联邦学习类似，它面临着隐私 concerns、统计异构性和昂贵通信等挑战。局部差分隐私（LDP）作为保护隐私数据收集的事实标准，通过让每个用户在本地扰动其数据并报告经过脱敏版本来解决隐私问题。然而，在联邦环境下应用 LDP 会使其他两个挑战更加复杂，因为注入的 LDP 噪声会降低实用性，或通过扰动机制增加通信/计算成本。为解决这些问题，我们提出一种满足 $\epsilon$-LDP 的新型目标对齐前缀树机制，用于联邦重点分析。具体而言，我们提出一种自适应扩展策略，以解决覆盖必要前缀与在各方内部估计重点项目之间的不一致，从而提高实用性。我们还采用基于共识的修剪策略，利用来自其他方的带噪先验知识进一步对齐在寻找各方重点项目与识别全局重点项目之间的不一致。到目前为止，我们的研究是首个在满足严格 $\epsilon$-LDP 的前提下解决跨方联邦重点分析的方案。在真实数据集和合成数据集上的全面实验确认了我们所提出机制的有效性。