更灵活的差分隐私：分段混合分布在查询发布中的应用

将数据进行“开放”给第三方的要求日益增长，因为数据共享在数据驱动的决策制定中有巨大益处。然而，随着收集到种类繁多的敏感数据，保护个人、社区和组织的隐私是使数据“开放”的关键因素。工业界当前在发布私有数据时采用的方法往往是临时的，且易遭受包括重识别攻击在内的多种攻击，因为它们未提供充分的隐私保证。尽管差分隐私通过提供严格可靠的隐私保证已引起学术界和工业界的极大兴趣，但当前用于数据发布的差分私有算法效用降低且缺乏灵活性，阻碍了它们在现实中的应用。本文旨在应对这两大挑战。首先，我们提出一种新机制，通过融合两个拉普拉斯或几何分布来增强差分隐私的常规效用。我们推导了所提分段混合分布的熵、加性噪声方差和噪声绝对期望的闭式表达式。然后利用相关分布从理论上证明所提机制的隐私和准确性保证。其次，我们表明所提机制具有更大的灵活性，有三个参数可调，与典型的单参数差分私有机制相比，在约束噪声和减轻更大不准确性方面具有更好的效用。然后我们通过大量仿真和一个真实世界数据集，针对线性计数查询和直方图查询，实证评估了分段混合分布的性能。实证结果表明，与标准拉普拉斯或几何机制相比，分段混合机制在保持隐私的同时，所有考虑的效用度量均有提升。