提升局部差分隐私协议在纵向与多维频率估计中的实用性
密码学与安全
2022-07-19 v3
摘要
本文研究在局部差分隐私（LDP）保证下，随时间收集多维数据（即纵向研究）以完成频率估计基本任务的问题。与单属性频率估计相反，多维方面要求特别关注隐私预算。此外，当纵向收集用户统计信息时，隐私逐渐退化。事实上，组合的“多重”设置（即多属性和随时间多次收集）带来了若干挑战，本文针对这些挑战提出了首个LDP下频率估计解决方案。为应对这些问题，我们扩展了三种最先进LDP协议（广义随机响应——GRR、优化一元编码——OUE和对称一元编码——SUE）在纵向和多维数据收集下的分析。已知文献使用OUE和SUE进行两轮净化（又称记忆化），即分别为L-OUE和L-SUE，我们通过分析和实验表明，先以OUE开始再以SUE开始可提供更高的数据实用性（即L-OSUE）。此外，对于域大小较小的属性，我们提出纵向GRR（L-GRR），其提供比基于一元编码的其他协议更高的实用性。最后，我们还提出一种名为自适应LDP用于纵向与多维频率估计（ALLOMFREE）的新方案，它随机采样单个属性以全部隐私预算发送，并自适应选择最优协议，即L-GRR或L-OSUE。如结果所示，ALLOMFREE在频率估计质量上持续且显著优于最先进的L-SUE和L-OUE协议。
引用
@article{arxiv.2111.04636,
title = {Improving the utility of locally differentially private protocols for longitudinal and multidimensional frequency estimates},
author = {Héber H. Arcolezi and Jean-François Couchot and Bechara Al Bouna and Xiaokui Xiao},
journal= {arXiv preprint arXiv:2111.04636},
year = {2022}
}
备注
Final version accepted in the journal Digital Communications and Networks. Version of Record: https://doi.org/10.1016/j.dcan.2022.07.003