基于$k$-随机响应的洗牌模型紧差分隐私保证
密码学与安全
2024-05-01 v2
摘要
大多数差分隐私（DP）算法假设一个中心模型，其中可靠第三方在针对数据集的查询中注入噪声，或者一个本地模型，其中用户本地扰动其数据。然而，中心模型因单点故障而脆弱，且在本地模型中数据的效用显著恶化。最近提出的洗牌模型是中心与本地范式之间的中间框架，用户将本地私有化数据发送给服务器，消息被洗牌，抹去私有化消息与相应用户之间的关联，相比本地模型在隐私与效用之间给出更好的权衡，因为其隐私在无需添加更多噪声的情况下得到放大。在本文中，我们从理论上推导了带有-随机响应（k-Randomized Response）本地随机化器的洗牌模型已知最紧的DP保证界。此后，我们关注洗牌模型在直方图查询上的效用。利用矩阵求逆方法——该方法用于从-RR机制产生的经验分布近似原始分布——我们对洗牌模型产生的直方图去噪，以评估所得直方图与真实直方图之间的总变差距离，我们将其视为隐私机制效用的度量。我们在合成和真实数据上进行了实验，以比较洗牌模型与通过对每个桶添加最先进的高斯噪声进行私有化的中心模型的隐私-效用权衡。尽管实验结果与文献中偏好中心模型的结论一致，我们发现中心模型与洗牌模型之间的统计效用差异非常小，表明在相同DP水平下它们几乎可比。
引用
@article{arxiv.2205.08858,
title = {Tight Differential Privacy Guarantees for the Shuffle Model with $k$-Randomized Response},
author = {Sayan Biswas and Kangsoo Jung and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:2205.08858},
year = {2024}
}