有损单服务器信息检索中基于生成对抗的用户隐私保护
机器学习
2022-10-20 v3 信息论
math.IT
摘要
我们提出通过允许检索过程中的失真并同时放宽完美隐私要求，来扩展私有信息检索的概念。具体而言，我们研究了下载速率、失真与用户隐私泄露之间的权衡，并表明在文件大小很大的极限下，该权衡可通过针对已知分布数据集的一种新颖信息论公式来刻画。此外，对于数据集统计特性未知的场景，我们通过利用生成对抗网络方法提出了一种新的深度学习框架，允许用户从数据本身学习高效方案。我们在合成高斯数据集以及MNIST、CIFAR-10和LSUN数据集上评估了该方案的性能。对于MNIST、CIFAR-10和LSUN数据集，数据驱动方法显著优于将信源编码与多文件下载相结合的非基于学习的方案。
引用
@article{arxiv.2012.03902,
title = {Generative Adversarial User Privacy in Lossy Single-Server Information Retrieval},
author = {Chung-Wei Weng and Yauhen Yakimenka and Hsuan-Yin Lin and Eirik Rosnes and Joerg Kliewer},
journal= {arXiv preprint arXiv:2012.03902},
year = {2022}
}
备注
Accepted for Publication in IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY (TIFS)