向量加权机制的重加权以在差分隐私下实现效用最大化
统计方法学
2022-05-02 v5 应用统计
摘要
我们针对微数据发布的 Risk-weighted 伪后验合成器提出了一种实用的实现方案，采用一种新的重加权策略，在任何级别的正式隐私保证下均能最大化所发布合成数据的效用。我们的重加权策略适用于任何向量加权伪后验机制，该机制使用观测索引的权重向量来降低高披露风险记录的似然贡献。我们在两种针对高风险记录的不同向量加权方案上展示了我们的方法。我们构建记录索引降权的新方法通过调整逐记录权重，使其各自的 Lipschitz 界逼近整个数据库的界，从而在向量加权合成器的任意隐私预算下最大化数据效用。我们的方法在整个数据库空间上全局地实现了 渐近差分隐私（aDP）保证。我们使用模拟的高度偏斜计数数据说明了我们的方法，并将结果与指数机制（EM）下的标量加权合成器进行比较。我们还将我们的方法应用于博士毕业生调查的一个样本，证明了我们方法的实用性。
引用
@article{arxiv.2006.01230,
title = {Re-weighting of Vector-weighted Mechanisms for Utility Maximization under Differential Privacy},
author = {Terrance D. Savitsky and Jingchen Hu and Matthew R. Williams},
journal= {arXiv preprint arXiv:2006.01230},
year = {2022}
}