局部差分隐私机制的最优压缩
密码学与安全
2022-03-01 v2 机器学习
摘要
朴素地压缩ε-局部差分隐私(LDP)随机化器的输出会导致次优效用。本工作中，我们展示了使用共享随机性联合压缩与隐私化数据的方案所带来的益处。具体而言，我们研究了一类基于最小随机编码(Minimal Random Coding)(Havasi等人，2019)的方案，并证明它们提供了最优的隐私-精度-通信权衡。我们的理论与实证结果表明，我们的方法可将PrivUnit(Bhowmick等人，2018)与Subset Selection(Ye等人，2018)——均值与频率估计已知最佳的LDP算法——压缩至ε比特量级的通信开销，同时保留其隐私与精度保证。
引用
@article{arxiv.2111.00092,
title = {Optimal Compression of Locally Differentially Private Mechanisms},
author = {Abhin Shah and Wei-Ning Chen and Johannes Balle and Peter Kairouz and Lucas Theis},
journal= {arXiv preprint arXiv:2111.00092},
year = {2022}
}