基于度量的局部差分隐私下的线性与范围计数
密码学与安全
2020-05-19 v3 数据结构与算法
摘要
局部差分隐私（LDP）能够在无需可信数据收集方的情况下实现私有数据共享与分析。LDP 下误差最优的原语（例如估计均值与项频率）已被充分研究。然而，对于范围查询等分析任务，已知最佳误差界依赖于私有数据的域大小，这可能令人难以接受。该缺陷是固有的，因为 LDP 对每个数据拥有者为任意一对私有数据值保护相同级别的不易区分性。本文中，我们利用称为度量-LDP 或 -LDP 的 -LDP 扩展，其中度量 为不同私有数据值对定义异质隐私保证，从而提供比 更灵活的旋钮以放宽 LDP 并调节效用-隐私权衡。我们表明，在此类隐私放宽下，对于线性计数、多维范围计数查询与分位数查询等分析负载，我们可取得效用的显著提升。特别地，对于度量 为经 缩放的 -距离函数的 -LDP 下的范围查询，我们设计的机制其误差与域大小无关；相反，其误差依赖于度量 ，后者规定了私有数据受保护的粒度。我们相信为 -LDP 设计的原语将有助于开发其他分析任务的机制，并鼓励 LDP 在实际中的采用。
引用
@article{arxiv.1909.11778,
title = {Linear and Range Counting under Metric-based Local Differential Privacy},
author = {Zhuolun Xiang and Bolin Ding and Xi He and Jingren Zhou},
journal= {arXiv preprint arXiv:1909.11778},
year = {2020}
}