异构差分隐私

个性化系统对个人数据的大规模收集使得保护个人隐私变得越来越困难。大多数在个性化系统中保护隐私的已有方法通常跨用户统一处理此问题，从而忽略了用户具有不同的隐私态度和期望（甚至针对他们自己的个人数据也是如此）这一事实。在本文中，我们提出通过引入异构差分隐私（heterogeneous differential privacy）的概念来考量这种隐私期望的非均匀性。该概念同时捕捉用户之间以及同一用户相关不同信息之间的隐私期望差异。我们还描述了一种实现异构差分隐私的显式机制，它是对 Dwork、McSherry、Nissim 和 Smith 的拉普拉斯机制（Laplacian mechanism）的修正。简而言之，该机制通过对输入域使用线性变换来操纵函数的敏感度，从而实现异构差分隐私。最后，我们在真实数据集上评估了所提机制在语义聚类任务上的影响。我们的实验结果表明，异构差分隐私能够兼顾不同的隐私态度，同时保持由语义聚类任务的召回率衡量的良好效用水平。