基于图的异质差分隐私
数据结构与算法
2022-03-30 v1 信息论
math.IT
摘要
我们推广了先前通过图设计效用最优差分隐私（DP）机制的框架，其中数据集为图中的顶点，边表示数据集邻域。边界集包含这样的数据集：其中个体的响应相对于其邻居改变了二值查询。先前工作局限于同质情形，即所有数据集上的隐私参数 相同且边界数据集处的机制相同。在我们的工作中，机制可在边界处取不同分布，且隐私参数 是相邻数据集的函数，这将先前的个性化 DP 定义作为特例恢复。问题是如何以计算高效且效用最优的方式，将仅在边界集定义的机制扩展到图中的其他数据集。利用最强诱导 DP 条件这一概念，我们在多项式时间（关于图的大小）内高效解决了该问题。
引用
@article{arxiv.2203.15429,
title = {Heterogeneous Differential Privacy via Graphs},
author = {Sahel Torkamani and Javad B. Ebrahimi and Parastoo Sadeghi and Rafael G. L. D'Oliveira and Muriel Medard},
journal= {arXiv preprint arXiv:2203.15429},
year = {2022}
}