关于向多个非共谋对手共享私有数据

我们提出了 SPARSI，这是一个用于将敏感数据划分给多个非共谋对手的理论框架。大多数隐私感知数据共享工作考虑的是披露保留数据聚合信息但保护敏感用户信息的摘要。然而，在在线广告、云计算和众包市场等应用中，必须披露详细且细粒度的用户数据。我们考虑了一种新的数据共享范式，并引入了隐私感知数据划分问题，即必须将敏感数据集划分给 $k$ 个不可信方（对手）。目标是在最大化通过划分和分发数据集所获得的效用的同时，最小化披露的敏感信息量。数据的分发方式应确保对手在不与其他对手共谋的情况下，无法通过关联向其发布的多个信息片段来推断出关于私有信息的额外内容。在上述需要发布私有用户信息的应用领域中，无共谋假设既是合理的也是必要的。SPARSI 使我们能够利用敏感属性概念对私有信息进行建模，并利用超图表示描述数据条目与私有信息之间的相互依赖关系，从而形式化地定义隐私感知数据划分。我们表明，求解隐私感知划分问题通常是 NP 难的，但对于特定的信息披露函数，可以使用松弛技术找到良好的近似解。最后，我们提出了一种适用于通用信息披露函数的局部搜索算法。我们将 SPARSI 与所提出的算法应用于真实广告场景的数据，表明我们可以划分数据而不向任何单一广告商披露信息。