无限时域上演化数据集的时间折扣差分隐私

我们定义折扣差分隐私，作为（常规）差分隐私的替代方案，以研究包含无限时域上时间序列的演化数据集的隐私。我们使用隐私损失作为某一固定时刻报告所泄露信息量的度量。我们观察到在差分隐私的定义中，隐私损失随时间被同等加权，因此为确保无限时域上的差分隐私，隐私保护加性噪声的幅度必须无界增长。受经济学文献中折扣效用理论的启发，我们对跨时间的隐私损失使用指数与双曲线折扣，以放宽持续观测下的差分隐私定义。这意味着对个体而言，遥远过去的隐私损失不如当前的重要。我们利用折扣差分隐私借助加性 Laplace 噪声研究演化数据集的隐私，并表明在折扣差分隐私下加性噪声的幅度可保持有界。我们在 Ausgrid（一家澳大利亚电力分销公司）公开提供的真实家庭智能电表测量时间序列上说明了满足折扣差分隐私的隐私保护机制的质量。