关于迭代贝叶斯更新的一致性与性能
密码学与安全
2025-08-14 v1 信息检索
摘要
对于众多社会、科学和商业目的而言，估计用户关于敏感属性（如年龄、位置等）数据分布是至关重要的。为在保护用户隐私的同时实现此估计，每位用户均应用局部隐私保护机制，将其原始数据的噪声（已脱敏）版本释放给数据收集器；随后使用已知方法之一（如矩阵逆转、RAPPOR估计器或迭代贝叶斯更新IBU）对原始分布进行估计。与其他估计器不同，IBU一致性——即其估计值随噪声数据的数量增加而收敛至真实分布——在文献中要么被忽视，要么被错误地证明了。在本文中，我们利用IBU是最大似然估计量的事实，证明了IBU的一致性。我们还通过对真实数据集的实验表明，当用户数据经由几何、Laplace和指数机制进行脱敏处理时，IBU显著优于其他方法；而在k-RR和RAPPOR机制情况下，IBU的性能与其他方法相当。最后，我们考虑敏感数据字母表为无限的情况，提出一种允许IBU在此情形下的技术方法。
引用
@article{arxiv.2508.09980,
title = {On the Consistency and Performance of the Iterative Bayesian Update},
author = {Ehab ElSalamouny and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:2508.09980},
year = {2025}
}