拉普拉斯机制在差分隐私中的最优性
密码学与安全
2015-04-09 v2 数据结构与算法
摘要
在高度互联的物联网领域，敏感信息的交换引发了严重的隐私担忧。拉普拉斯机制——向敏感数据添加拉普拉斯分布的人工噪声——是差分隐私框架内提供隐私保证的广泛使用方法之一。在本工作中，我们提出了 Lipschitz 隐私，这是差分隐私的一个稍 tighter 版本。我们证明了拉普拉斯机制在最小化针对 -范数提供隐私的身份查询的均方误差意义上是最优的。除了尊重个体参与度的 -范数外，我们还关注为高维数据提供隐私的 -范数的使用。拉普拉斯机制的一种变体被证明具有来自身份查询的最优均方误差。最后，推导出了个体提交其高维敏感数据场景下的最优机制。
引用
@article{arxiv.1504.00065,
title = {Optimality of the Laplace Mechanism in Differential Privacy},
author = {Fragkiskos Koufogiannis and Shuo Han and George J. Pappas},
journal= {arXiv preprint arXiv:1504.00065},
year = {2015}
}