迭代贝叶斯更新对本地差分隐私机制的效用增益研究
密码学与安全
2023-07-18 v1 机器学习
摘要
本文研究了在使用本地差分隐私(LDP)机制混淆的数据进行私有离散分布估计时,采用迭代贝叶斯更新(IBU)所带来的效用增益。我们将IBU的性能与标准估计技术矩阵求逆(MI)进行比较,涉及为一次性数据收集设计的七种LDP机制以及为多次数据收集(如RAPPOR)设计的其他七种LDP机制。为拓宽研究范围,我们还改变了效用度量、用户数n、域大小k以及隐私参数{\epsilon},并使用了合成数据与真实世界数据。我们的结果表明,IBU可作为一种有用的后处理工具,在不同场景下提升LDP机制的效用,且无需额外的隐私代价。例如,我们的实验显示IBU能比MI提供更好的效用,尤其是在高隐私 regime(即{\epsilon}较小时)。本文为从业者将IBU与现有LDP机制结合使用以实现更精确且保护隐私的数据分析提供了见解。最后,我们将全部十四种LDP机制的IBU实现集成至前沿的multi-freq-ldpy Python包(https://pypi.org/project/multi-freq-ldpy/),并将实验所用全部代码作为教程开源。
引用
@article{arxiv.2307.07744,
title = {On the Utility Gain of Iterative Bayesian Update for Locally Differentially Private Mechanisms},
author = {Héber H. Arcolezi and Selene Cerna and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:2307.07744},
year = {2023}
}
备注
Paper accepted at DBSec'23. Version of record at https://doi.org/10.1007/978-3-031-37586-6_11