面向分布估计的效用优化局部差分隐私机制

LDP（局部差分隐私，Local Differential Privacy）已被广泛研究用于估计个人数据的统计信息（如数据底层的分布），同时保护用户隐私。尽管 LDP 不需要可信第三方，但它将所有个人数据视为同等敏感，这导致过度的混淆从而损失效用。在本文中，我们引入 ULDP（效用优化的 LDP，Utility-optimized LDP）的概念，其仅对敏感数据提供与 LDP 等价的隐私保证。我们首先考虑所有用户使用相同混淆机制的设置，并提出两种提供 ULDP 的机制：效用优化随机响应和效用优化 RAPPOR。然后我们考虑敏感与非敏感数据的区分可能因用户而异的设置。针对该设置，我们提出一种带语义标签的个性化 ULDP 机制，在保持各用户敏感信息机密的同时，以高效用估计个人数据的分布。我们从理论和实验上表明，当存在大量非敏感数据时，我们的机制比现有 LDP 机制提供高得多的效用。我们还表明，当大多数数据为非敏感时，在低隐私 regime 下我们的机制甚至提供与非隐私机制几乎相同的效用。