从理论到理解：差分隐私与$k$-匿名性的比较研究

$\varepsilon$-差分隐私是一种广泛用于为个人提供可量化隐私的概念。然而，如何用一组 $\varepsilon$ 来解释差分隐私机制所提供的隐私保护水平尚不清晰。本研究聚焦于用户对差分隐私机制所提供的隐私保护的理解程度。为此，我们研究了解释差分隐私所提供隐私保护的三种变体：(1) 原始数学定义；(2) $\varepsilon$ 翻译为特定隐私风险；(3) 使用随机响应技术进行解释。我们比较了用户对这三种解释模型下差分隐私保护理解程度，以及其对$k$-匿名性隐私保护理解程度的基准可理解性。我们的发现表明，参与者通过隐私风险模型和随机响应模型所解释的差分隐私保护理解程度得以提升。此外，我们的结果确认了$k$-匿名性所提供的隐私保护更具可理解性的直觉。