鲁棒隐私保证的效用代价
信息论
2018-05-11 v2 密码学与安全
math.IT
摘要
考虑一个具有公开特征与私有特征的数据集的数据发布场景。发布者的目标是在揭示的数据集中最大化关于公开特征的信息量，同时将关于私有特征泄露的信息保持在有界范围内。本文的目标是分析那些被构建为匹配从数据集学习到的分布的隐私机制的性能。考虑了两种不同的场景：(i) 机制被设计为使所学分布获得隐私保证；以及 (ii) 机制被设计为使给定所学分布邻域内的每个分布都获得隐私保证。对于第一种场景，给定任意隐私机制，给出了所学分布与真实分布的隐私-效用保证之间差异的上界。在第二种场景中，给出了因提供一致隐私保证而导致的效用减少的上界。
引用
@article{arxiv.1801.05926,
title = {The Utility Cost of Robust Privacy Guarantees},
author = {Hao Wang and Mario Diaz and Flavio P. Calmon and Lalitha Sankar},
journal= {arXiv preprint arXiv:1801.05926},
year = {2018}
}