自由意愿隐私下敏感数据分布的重构
密码学与安全
2022-08-25 v1
摘要
本地隐私机制，如 k-RR、RAPPOR 和地理不可区分性机制，已变得相当流行，因为混淆可在用户端完成，从而避免了可信第三方之需。另一重要优势是每数据点独立清洗，因此不同用户可根据其隐私需求使用不同混淆级别，甚至可依据其所交易数据的服务使用完全不同的机制。此设定下一项挑战性需求是从用户的噪声版本构建其敏感数据的原始分布。现有技术只能分别在每种混淆方案和对应噪声数据子集上估计该分布。但子集越小，估计越不精确。本文研究在组合本地隐私机制时如何避免子集分割问题，从而恢复最优效用。我们聚焦于原始分布的估计，以及估计它的两种主要方法：矩阵求逆法和迭代贝叶斯更新。我们考虑了本地隐私机制组合的多种情形，并比较了两种方法的灵活性与性能。
引用
@article{arxiv.2208.11268,
title = {Reconstruction of the distribution of sensitive data under free-will privacy},
author = {Ehab ElSalamouny and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:2208.11268},
year = {2022}
}