关于具有社会传染属性的隐私问题

在数据收集中对用户真实数据执行随机扰动，从而在不危及个体所持有秘密的情况下仍能推断聚合统计，是一种常用的用户隐私保护方法。在本文中，我们仔细审视了当敏感属性受到社会影响与传染时，差分隐私保证的有效性。我们首先表明，在缺乏对传染网络的任何知识的情况下，若数据集使用(ε,δ)-差分隐私机制进行扰动，则试图从扰动值预测真实值的对手，其ROC曲线下面积（AUC）无法超过1-(1-δ)/(1+e^ε)。进而，我们表明若掌握传染网络与模型，则可显著做得更好。我们证明所提方法突破了差分隐私施加的性能限制。我们的实验还揭示，对他人具有高影响力的节点比其它节点面临更大的秘密泄露风险。通过对合成与真实世界网络的广泛实验展示了该性能。