基于学习草图的本地差分隐私频率估计
密码学与安全
2022-11-22 v2 数据库
摘要
草图被广泛用于大域数据的频率估计。然而,在考虑隐私时,基于草图的频率估计面临更多挑战。本地差分隐私(LDP)是在保护隐私的同时对敏感数据进行频率估计的一种解决方案。LDP 使用户能够在客户端扰动其数据以保护隐私,但也给频率估计引入了误差。草图中的哈希冲突使得低频项的估计更加糟糕。在本文中,我们提出一种基于 LDP 学习草图的两阶段频率估计框架,用于大域数据,该框架分离高频与低频项以避免由哈希冲突引起的误差。我们从理论上证明了所提方法满足 LDP,并且比包括 Apple-CMS、Apple-HCMS 和 FLH 在内的最先进频率估计方法更准确。实验结果验证了我们的方法性能。
引用
@article{arxiv.2211.01138,
title = {Local Differentially Private Frequency Estimation based on Learned Sketches},
author = {Meifan Zhang and Sixin Lin and Lihua Yin},
journal= {arXiv preprint arXiv:2211.01138},
year = {2022}
}