RON-Gauss：增强非交互式隐私数据发布的实用性

Thee Chanyaswad; Changchang Liu; Prateek Mittal

RON-Gauss：增强非交互式隐私数据发布的实用性

密码学与安全 2018-10-18 v3

作者: Thee Chanyaswad , Changchang Liu , Prateek Mittal

摘要

在非交互式环境下设计差分隐私的一个关键挑战是保持发布数据的实用性。为克服此挑战，我们利用 Diaconis-Freedman-Meckes (DFM) 效应，该效应指出高维数据的大多数投影近似高斯分布。因此，我们提出 RON-Gauss 模型，其利用随机正交 (RON) 投影降维与高斯生成模型的新颖组合来合成差分隐私数据。我们分析了 RON-Gauss 如何从 DFM 效应中受益，并给出了针对一系列机器学习应用（包括无监督与有监督学习）的多种算法。此外，我们严格证明了 (a) 我们的算法满足强 $\epsilon$ -差分隐私保证，以及 (b) RON 投影能降低差分隐私所需的扰动水平。最后，我们在三个大型真实数据集上通过三种常见机器学习应用——聚类、分类和回归——说明了 RON-Gauss 的有效性。我们的实证结果显示 (a) RON-Gauss 比先前方法优达一个数量级，且 (b) 与非隐私真实数据相比实用性的损失很小。因此，RON-Gauss 可作为隐私保护数据发布实际部署的关键赋能者。

关键词

差分隐私非交互式数据发布随机正交投影高斯生成模型 DFM效应机器学习数据实用性

引用

@article{arxiv.1709.00054,
  title  = {RON-Gauss: Enhancing Utility in Non-Interactive Private Data Release},
  author = {Thee Chanyaswad and Changchang Liu and Prateek Mittal},
  journal= {arXiv preprint arXiv:1709.00054},
  year   = {2018}
}

备注

Appears in PoPETS 2019.1

RON-Gauss：增强非交互式隐私数据发布的实用性

摘要

关键词

引用

备注

相关论文