基于系统固有随机性的局部差分隐私多传感器融合估计
系统与控制
2025-08-22 v1 系统与控制
摘要
本文聚焦于具有差分隐私考虑的多传感器融合估计（MSFE）隐私保护问题。现有研究大多致力于探索传统差分隐私，也称为中心化差分隐私（CDP）。需要注意的是，CDP 旨在保护融合中心统计数据（如平均值和总和）的隐私，而非传感器端的个体数据隐私，这使得它不适用于 MSFE。此外，CDP 的定义和假设主要适用于需要上述统计结果的大规模系统。因此，为解决这些局限性，本文引入了一种更新的进展，称为局部差分隐私（LDP），以增强 MSFE 的隐私性。我们基于 MSFE 的固有属性提供了关于 LDP 的若干严格定义，而非直接沿用 CDP 下的假设。随后，证明了 LDP 可以利用系统固有随机性来实现，这一发现具有实用价值且此前未被考虑。此外，当固有随机性不足时，设计了高斯机制。通过整合系统信息与隐私预算，确定了额外注入高斯噪声的协方差下界。进而，在线性最小方差意义下，分别设计了在固有扰动和额外扰动下的最优融合估计器。最后，通过涵盖一维和高维场景的数值仿真验证了所提方法的有效性。
引用
@article{arxiv.2508.15175,
title = {Locally Differentially Private Multi-Sensor Fusion Estimation With System Intrinsic Randomness},
author = {Xinhao Yan and Bo Chen and Hailong Huang},
journal= {arXiv preprint arXiv:2508.15175},
year = {2025}
}
备注
12 pages, 5 figures