面向时空物联网数据集的用户级隐私均值估计

本文考虑了交通数据集中速度值样本均值的隐私发布问题。我们的核心贡献是开发了用户级差分隐私算法，该算法结合了精心选择的参数值，以确保在真实数据集上具有低估计误差，同时保证隐私。我们在来自某印度城市的 ITMS（智能交通管理系统）数据上测试了我们的算法，其中不同公交车的速度以潜在非独立同分布的方式从未知分布中抽取，且不同公交车贡献的速度样本数量可能不同。然后，我们将我们的算法应用于基于 ITMS 数据生成的大型合成数据集。在此，我们为观察到的性能趋势提供了理论依据，并为能够产生低估计误差的算法子程序选择提供了建议。最后，我们通过极小化极大方法刻画了基于伪用户创建的算法在最坏情况数据集上的最佳性能；这进而产生了一种创建伪用户的新颖程序，该程序优化了最坏情况下的总估计误差。本文讨论的算法可直接应用于一般的时空物联网数据集，用于发布所需值的差分隐私均值。