度量差分隐私的通用最优性与鲁棒效用界
密码学与安全
2022-05-04 v1
摘要
我们研究度量差分隐私背景下的隐私-效用权衡。Ghosh等人引入通用最优性概念，用以刻画某一查询的最佳机制：该机制同时满足（固定）-差分隐私约束，同时相比同一查询的其他任何 -差分私有机制提供更好效用。他们证明几何机制对于计数查询类是“通用最优”的。另一方面，Brenner与Nissim证明在计数查询空间之外，对于贝叶斯风险损失函数，不存在此类通用最优机制。本文采用度量差分隐私与定量信息流作为研究通用最优性的基本原理。度量差分隐私是标准（即中心）差分隐私与本地差分隐私的推广，正日益用于各类应用领域，例如位置隐私与隐私保护机器学习。借助该框架，我们澄清了Nissim与Brenner的负面结果，表明（a）事实上所有隐私类型都包含相对于某些非平凡损失函数的最优机制，且（b）将其负面结果推广并一般化，超越贝叶斯风险，具体至广泛一类非平凡损失函数。我们还提出称为“隐私类型容量”的较弱通用效用基准。我们证明此类容量始终存在，并可用凸优化算法计算。
引用
@article{arxiv.2205.01258,
title = {Universal Optimality and Robust Utility Bounds for Metric Differential Privacy},
author = {Natasha Fernandes and Annabelle McIver and Catuscia Palamidessi and Ming Ding},
journal= {arXiv preprint arXiv:2205.01258},
year = {2022}
}