SoK：在差分隐私直方图发布中兼顾并同时达成准确性与隐私性
数据库
2020-09-22 v2 密码学与安全
摘要
直方图与合成数据在数据分析中具有关键重要性。然而，研究者已表明，即便是直方图这类不含明显敏感属性的聚合数据，也可能导致隐私泄露。为支持数据分析，需要一种强隐私概念以避免非预期的隐私侵犯风险。差分隐私正是这样一种强隐私概念，它是一种使隐私泄露可量化的统计隐私概念。关于差分隐私的 caveat 在于，尽管其对隐私具有强保障，但隐私是以准确性为代价换来的。尽管这种权衡是采用差分隐私时的一个核心且重要的问题，现有文献在理解该权衡以及如何恰当应对方面仍存在空白。通过系统性文献综述（SLR），我们调研了用于直方图与合成数据发布的、提升准确性的差分隐私算法的最新进展。我们的贡献有两点：1）我们识别了面向直方图与合成数据的差分隐私领域研究成果中的趋势与联系；2）我们通过厘清准确性提升的不同维度，提供了对隐私/准确性权衡挑战的理解。据此，我们将各项思路相对于彼此及外部工作进行了定位与可视化，并拆解每种算法以分别考察其构建模块，旨在 pinpoint 每种技术/方法所针对的准确性提升维度。因此，本知识系统化（SoK）提供了关于可在哪些维度以及如何在牺牲隐私的前提下追求准确性提升的理解。
引用
@article{arxiv.1910.14028,
title = {SoK: Chasing Accuracy and Privacy, and Catching Both in Differentially Private Histogram Publication},
author = {Boel Nelson and Jenni Reuben},
journal= {arXiv preprint arXiv:1910.14028},
year = {2020}
}