基于机器学习的最优混淆机制
机器学习
2020-10-27 v5 机器学习
摘要
我们考虑在保持效用的同时混淆敏感信息的问题，并提出了一种受生成对抗网络范式启发的机器学习方法。其思想是建立两个网络：生成器，试图产生最优混淆机制以保护数据；以及分类器，试图去混淆数据。通过让两个网络相互竞争，该机制提升了其保护程度，直至达到均衡。我们将方法应用于位置隐私情形，并在合成数据及来自 Gowalla 数据集的真实数据上开展实验。我们不仅依据机制击败分类器的能力，亦依据代表最强可能对手的 Bayes 误差来评估其隐私性。我们将本方法的隐私-效用权衡与 geo-indistinguishability 中使用的平面 Laplace 机制相比较，显示出有利结果。如同 Laplace 机制，我们的系统可部署于用户端以保护其位置。
引用
@article{arxiv.1904.01059,
title = {Optimal Obfuscation Mechanisms via Machine Learning},
author = {Marco Romanelli and Konstantinos Chatzikokolakis and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:1904.01059},
year = {2020}
}
备注
Preprint version of a paper that will appear on the Proceedings of the IEEE 33rd Computer Security Foundations Symposium, CSF 2020