面向局部差分隐私的多类物品挖掘
密码学与安全
2025-04-21 v1
摘要
物品挖掘是收集用户统计数据的基本任务，近年来因隐私 concerns 不断上升。为解决这些隐私问题，提出了局部差分隐私 (local differential privacy, LDP) 作为一种隐私保留技术。现有的 LDP 物品挖掘机制主要关注全局统计，即来自整个数据集的统计信息。然而，它们不足以满足如个性化推荐等面向用户的任务，而类别化统计信息则通过细粒度信息提高任务准确性。同时，类别标签的引入带来了新挑战。标签扰动可能导致聚合的无效物品。为了此，本文提出了用于多类物品挖掘的框架，以及两种机制：有效性扰动以减少无效数据的影响，以及相关性扰动以保持标签与物品之间的关系。我们还将这些优化方法应用于两种多类物品挖掘查询：频率估计和 top-k 物品挖掘。通过理论分析和大量实验，我们验证了这些方法的有效性和优越性。
引用
@article{arxiv.2504.13526,
title = {Multi-class Item Mining under Local Differential Privacy},
author = {Yulian Mao and Qingqing Ye and Rong Du and Qi Wang and Kai Huang and Haibo Hu},
journal= {arXiv preprint arXiv:2504.13526},
year = {2025}
}