马尔可夫链上的最优局部贝叶斯差分隐私
密码学与安全
2022-06-24 v1
摘要
在数据隐私文献中，差分隐私是最流行的模型。如果算法在有和没有任何个体数据时的输出不可区分，则该算法是差分私有的。在本文中，我们关注由马尔可夫链生成的数据，并论证贝叶斯差分隐私（BDP）在此背景下提供更有意义的保证。我们主要的理论贡献是提供一种当数据来自二元马尔可夫链时实现 BDP 的机制。我们改进了最先进的 BDP 机制，并表明我们的机制在可忽略因子范围内为任何局部机制提供了最优的噪声-隐私权衡。我们还简要讨论了一种添加相关噪声的非局部机制。最后，我们在合成数据上进行实验以详细说明 DP 不充分的情况，并在真实数据上进行实验以表明我们的隐私保证对并非简单马尔可夫链的底层分布是鲁棒的。
引用
@article{arxiv.2206.11402,
title = {Optimal Local Bayesian Differential Privacy over Markov Chains},
author = {Darshan Chakrabarti and Jie Gao and Aditya Saraf and Grant Schoenebeck and Fang-Yi Yu},
journal= {arXiv preprint arXiv:2206.11402},
year = {2022}
}