使用DPBench的差分隐私算法原则性评估
数据库
2015-12-16 v1 密码学与安全
摘要
差分隐私已成为研究界强隐私保护的主导标准。满足该标准的查询回答算法研究大量涌现。算法变得日益复杂，特别是许多新兴算法的性能是{\em 数据依赖的}，意味着加入查询答案的噪声分布可能随输入数据而改变。理论分析通常只考虑最坏情况，使得平均情况性能的经验研究愈发重要。在本文中，我们提出了一套我们认为对健全评估至关重要的评估原则。基于这些原则，我们提出了 DPBench，一个用于隐私算法标准化评估的新评估框架。随后我们将我们的基准应用于评估回答一维和二维范围查询的算法。结果是对 15 个已发布算法在总计 27 个数据集上的彻底经验研究，该研就算法行为——特别是数据集规模与形状的影响——提供了新的见解，并对当前技术水平进行了更完整的刻画。我们的方法能够解决先前经验研究中的不一致性，并通过与简单基线比较将算法性能置于上下文中。最后，我们提出开放研究问题，希望其能指导未来的算法设计。
引用
@article{arxiv.1512.04817,
title = {Principled Evaluation of Differentially Private Algorithms using DPBench},
author = {Michael Hay and Ashwin Machanavajjhala and Gerome Miklau and Yan Chen and Dan Zhang},
journal= {arXiv preprint arXiv:1512.04817},
year = {2015}
}