隐私保护机制的展望理论分析

我们研究一个隐私保护机制设计问题。数据收集者希望从个体处获取数据以执行某些计算。为缓解对数据贡献者的隐私威胁，数据收集者采用一种隐私保护机制，通过向计算结果添加随机噪声，代价是降低准确性。面对隐私问题，个体决定是否贡献数据。由于隐私保护中存在内在不确定性，我们使用展望理论（Prospect Theory）对个体的隐私相关决策进行建模。该理论比传统的期望效用理论更准确地刻画了不确定性下个体的行为，后者的预测总是偏离实际人类行为。我们表明，数据收集者的效用最大化问题涉及一个高阶分数次多项式，其根难以解析计算。我们通过考虑大群体近似规避此问题，并获得一个能很好逼近精确解的闭式解。我们发现，与基于期望效用理论建模的情形相比，考虑更贴近现实的展望理论个体决策建模的数据收集者会采用更保守的隐私保护机制。我们还研究了展望理论参数的影响，并得出结论：损失厌恶更强或风险寻求型的个体将引发更保守的机制。当个体具有不同展望理论参数时，仿真表明，随着异质性从低值增加到高值，隐私保护先变强后变弱。