针对假设检验敌手的隐私保护
信息论
2019-03-12 v2 math.IT
摘要
研究了针对试图检测底层隐私敏感数据分布的敌手（AD）的隐私问题。假设原始数据序列来自两个已知分布之一，隐私泄露由 AD 所进行二元假设检验的错误概率度量。一个管理单元（MU）被允许以在线方式操纵原始数据序列，同时满足平均失真约束。MU 的目标是在假设对抗性 Neyman-Pearson 检验时最大化受第一类错误概率约束的最小第二类错误概率，或在假设对抗性贝叶斯检验时最大化最小错误概率。最大最小第二类错误概率与最大最小错误概率的渐近指数分别被证明由 Kullback-Leibler 散度率和 Chernoff 信息率刻画。比较了特定管理策略——无记忆假设感知策略与有记忆假设无感知策略——的隐私性能。所提公式亦可建模以最小数据操纵欺骗分类器的对抗样本生成。最后，将结果应用于智能电表隐私问题，其中用户能耗通过自适应使用可再生能源来操纵，以向能源供应商隐藏用户活动。
引用
@article{arxiv.1807.01916,
title = {Privacy against a Hypothesis Testing Adversary},
author = {Zuxing Li and Tobias J. Oechtering and Deniz Gunduz},
journal= {arXiv preprint arXiv:1807.01916},
year = {2019}
}
备注
published by IEEE Transactions on Information Forensics and Security