排序差分隐私

排序在各类现实场景中被广泛收集，导致用户偏好（如视频或新闻上的偏好）等个人信息泄露。为保护排序，现有工作主要在 ε-差分隐私下针对一组排序中的单个排序或排序的两两比较开发隐私保护。本文提出一种称为 ε-排序差分隐私的新概念以保护排名。我们建立了 Mallows 模型（Mallows, 1957）与所提出的 ε-排序差分隐私之间的联系。这使我们能够开发一种多阶段排序算法，在满足所提出的 ε-排序差分隐私的同时生成合成排序。我们建立了关于合成排序在下游任务中效用的理论结果，包括推断攻击与个性化排序任务。对于推断攻击，我们量化了 ε 如何影响基于合成排序对真实排序的估计。对于个性化排序任务，我们考虑用户间变化的隐私偏好，并量化其隐私偏好如何影响估计最优排序函数时的一致性。我们进行了大量数值实验以验证理论结果并展示所提合成排序算法的有效性。