面向建立数据的统计友好型保密性保护，及其在 QCEW 上的应用
密码学与安全
2026-03-23 v2 数据结构与算法
应用统计
摘要
商业数据的保密性是数据隐私避让领域中较少受关注的议题，传统方法难以提供可接受的结果。针对个人级别数据（如差分隐私）的标准形式隐私技术是为保护免受成员推断而设计的，由于商业数据高度倾斜且极端异常记录常是查询答案的重要贡献者，因此难以提供合适的保密性/效用权衡。此前的方案采用个人化差分隐私方法，允许对异常记录的隐私参数退化——即大型机构获得较弱的成员推断保障。然而，为某些实体提供严格 weaker于其他实体的保障在政策层面存在问题。本文提出了一种针对商业数据的新型保密框架，侧重于政策制定者的可解释性。我们不再针对成员推断（在商业数据中通常不是主要关切）进行保护，而是针对过于精确的属性推断进行保护。在该框架中，数据策划人指定一个邻居函数，用于定义某机构属性值周围的不确定区间频段，隐私参数控制同一不确定区间内值之间的不可区分性。我们提出了两种查询答应机制，并在：（1）由美国劳工统计局 (BLS) 通过合作协议生产的保密《就业和工资普查》(QCEW) 数据集上进行评估；（2）我们从公共来源创建的替代数据集上进行评估（并将公开发布）。
引用
@article{arxiv.2509.01597,
title = {Statistics-Friendly Confidentiality Protection for Establishment Data, with Applications to the QCEW},
author = {Kaitlyn Webb and Prottay Protivash and John Durrell and Daniell Toth and Aleksandra Slavković and Daniel Kifer},
journal= {arXiv preprint arXiv:2509.01597},
year = {2026}
}
备注
42 pages (13 main text, 2 references, and 27 appendix pages), 13 figures (4 in main text)