REAP：一种在众感中协调聚合精度与个体隐私的高效激励机制

激励机制在隐私感知众感中起着关键作用。以往关于激励机制与隐私保护协同设计的研究大多假设存在一个可信融合中心（FC）。最近的少量工作开始放宽对可信FC的假设，允许参与用户（PU）在上报原始感知数据前加入经过良好校准的噪声，但其关注点在于具有二元数据的主体之均衡行为。本文作出范式转变，旨在量化连续数据感知的隐私补偿，同时允许FC直接控制PU。此场景下存在两个冲突目标：FC为获得更高聚合精度而期望更优质量的数据，而PU为获得更高隐私保护水平（PPL）更倾向于加入更大噪声。为在其中取得良好平衡，我们设计了一种高效激励机制以协调FC的聚合精度与个体PU的数据隐私（REAP）。具体而言，我们采用著名的差分隐私概念来衡量PU的PPL并量化其对FC聚合精度的影响。进而借助契约理论，我们在给定预算下设计了一种最大化FC聚合精度的激励机制。所提激励机制向具有不同隐私偏好的PU提供不同契约，借此FC可直接控制PU。它还能克服信息不对称，即FC通常不知晓各PU的确切隐私偏好。我们推导了完全信息与不完全信息场景下最优契约的闭式解。进一步，结果推广至PU隐私偏好取值于连续域的连续情形。文中提供了大量仿真以验证所提激励机制的可行性与优势。