改进的泛隐私流数据密度估计
密码学与安全
2021-11-18 v1 数据库
数据结构与算法
摘要
差分隐私是一种严格的隐私定义,保证对敏感数据集执行的任何分析都不会泄露其中包含的个人数据所属个体的信息。在这项工作中,我们开发了用于分析流数据的新差分隐私算法。具体而言,我们考虑估计用户流(或更一般地,元素流)的密度的问题,该密度表示实际出现在流中的所有用户的占比。我们关注流模型中最强的隐私保证之一,即用户级泛隐私(pan-privacy),其确保任何用户的隐私都受到保护,即使面对偶尔观测算法内部状态的敌手也是如此。我们提出的算法最优地利用了所有分配的隐私预算,专为流模型定制,因此在理论和实验上均优于传统的基于采样的方法。
引用
@article{arxiv.2111.08784,
title = {Improved Pan-Private Stream Density Estimation},
author = {Vassilis Digalakis and George N. Karystinos and Minos N. Garofalakis},
journal= {arXiv preprint arXiv:2111.08784},
year = {2021}
}