HyObscure：面向隐私保护数据发布的混合混淆方法
密码学与安全
2021-12-16 v1 人工智能
摘要
在隐私保护数据发布任务中，最小化隐私泄露同时确保数据效用是数据持有者面临的一个关键问题。大多数先前研究仅关注单一类型数据，并借助单一混淆方法（如 obfuscation 或 generalization）来实现隐私-效用权衡，这不足以保护现实中的异构数据，且难以抵御不断增长的基于机器学习的推断攻击。本工作针对在异构数据保护中同时采用 generalization 与 obfuscation 操作的隐私保护数据发布进行了初步研究。为此，我们首先提出用于隐私与效用量化的新度量，并形式化混合隐私保护数据混淆问题以考量 generalization 与 obfuscation 的联合效应。随后我们设计了一种称为 HyObscure 的新型混合保护机制，在特定效用保证下交叉迭代优化 generalization 与 obfuscation 操作以实现最大隐私保护。迭代过程的收敛性以及 HyObscure 的隐私泄露上界也在理论上给出。大量实验表明，在面对不同场景下的多种推断攻击时，HyObscure 显著优于一系列最先进的基线方法。HyObscure 对数据规模亦呈线性扩展，且对关键参数变化表现稳健。
引用
@article{arxiv.2112.07850,
title = {HyObscure: Hybrid Obscuring for Privacy-Preserving Data Publishing},
author = {Xiao Han and Yuncong Yang and Junjie Wu},
journal= {arXiv preprint arXiv:2112.07850},
year = {2021}
}