免费隐私：利用多服务本地差分隐私扰动数据
密码学与安全
2025-03-12 v1
摘要
本地差分隐私（LDP）已成为现代数据分析中广泛采用的隐私保护技术，使用户能够在保持稳健隐私保证的同时共享统计见解。然而，当前的LDP应用假设由单一服务收集用户的扰动信息。在现实中，多个服务可能都有收集用户数据的意向，随着此类服务的增多，这给用户带来了隐私负担。为解决此问题，本文提出了一个基于多服务扰动信息进行数据收集与聚合的框架，无论其估计的统计量（如均值或分布）和扰动机制如何。然后针对均值估计，我们引入了无偏平均（UA）方法及其优化版本——用户级加权平均（UWA）。前者利用有偏的扰动数据，而后者根据扰动信息为不同的扰动结果分配权重，从而实现最小方差。对于分布估计，我们提出了用户级似然估计（ULE），将来自一个用户的所有扰动结果作为一个整体进行最大似然估计。实验结果表明，我们的框架及其组成方法显著提高了均值估计和分布估计的准确性。
引用
@article{arxiv.2503.08297,
title = {Privacy for Free: Leveraging Local Differential Privacy Perturbed Data from Multiple Services},
author = {Rong Du and Qingqing Ye and Yue Fu and Haibo Hu},
journal= {arXiv preprint arXiv:2503.08297},
year = {2025}
}