通过Johnson-Lindenstrauss变换实现隐私保护
数据结构与算法
2018-07-16 v1 计算机与社会
数据库
社会与信息网络
摘要
假设甲方收集其用户的私人信息，每个用户的数据表示为一个位向量。假设乙方有一个专有的数据挖掘算法，需要估计用户之间的距离，例如聚类或最近邻。我们询问是否可能让甲方发布每个用户的一些信息，使得乙方能够估计用户之间的距离，而无法推断用户的任何私人位。我们的方法涉及通过稀疏的Johnson-Lindenstrauss变换将每个用户的表示投影到一个随机的低维空间，然后向低维表示的每个条目添加高斯噪声。我们表明该方法保留了差分隐私——期望的隐私程度越高，高斯噪声的方差越大。此外，我们展示了如何仅通过低维扰动数据来近似用户之间的真实距离。最后，我们考虑了其他扰动方法，如随机响应，并与基于草图的方法进行了比较。虽然向第三方发布用户特定数据的目标比保持距离更广泛，但这项工作表明，具有隐私保护的距离计算是一个可实现的目标。
引用
@article{arxiv.1204.2606,
title = {Privacy via the Johnson-Lindenstrauss Transform},
author = {Krishnaram Kenthapadi and Aleksandra Korolova and Ilya Mironov and Nina Mishra},
journal= {arXiv preprint arXiv:1204.2606},
year = {2018}
}
备注
24 pages