统计数据隐私：隐私与效用的二重奏
密码学与安全
2022-05-09 v1 统计方法学
摘要
为量化日益增长的开数据分享需求与敏感信息泄露担忧之间的权衡，统计数据隐私(SDP)方法学研究基于机密数据净化输出的数据发布机制。存在两大主导框架：统计披露控制(SDC)以及较新的差分隐私(DP)。尽管表述不同，SDC与DP核心共享相同的统计问题。对于推断问题，我们既可设计满足披露风险界限的最优发布机制及相应估计量，也可调整现有净化输出以创建新的最优估计量。这两类问题都依赖于在评估风险与效用时的不确定性量化。本综述讨论了SDC与DP共同的统计基础， highlight SDP的主要进展，并提出了私有推断中令人振奋的开放研究问题。
引用
@article{arxiv.2205.03336,
title = {Statistical Data Privacy: A Song of Privacy and Utility},
author = {Aleksandra Slavkovic and Jeremy Seeman},
journal= {arXiv preprint arXiv:2205.03336},
year = {2022}
}
备注
Submitted to Annual Review of Statistics and Its Application, March 2023 Volume