差分隐私位置轨迹的效用优化合成
密码学与安全
2020-09-15 v1 数据库
机器学习
摘要
差分隐私位置轨迹合成(DPLTS)近来作为一种在保护移动用户隐私的同时支持对其位置轨迹进行分析与共享的解决方案而出现。DPLTS 中的一个关键挑战是最好地保留位置轨迹数据集中的效用,考虑到数据集的高维、复杂和异构性,以及效用的多样类型和定义,这并非易事。在本文中,我们提出 OptaTrace:一种面向 DPLTS 的效用优化且针对性的方法。给定一个真实轨迹数据集 D、控制隐私保护强度的差分隐私参数 epsilon,以及所关注的效用/误差度量 Err;OptaTrace 使用贝叶斯优化来优化 DPLTS,使得在满足 epsilon-差分隐私的同时,输出误差(以给定度量 Err 衡量)被最小化。此外,OptaTrace 引入了一个效用模块,其中包含若干内置误差度量用于效用基准测试和选择 Err,以及一个用于易用且交互式 DPLTS 服务的前端 Web 界面。实验表明,与先前工作相比,OptaTrace 的优化输出能带来显著的效用提升和误差降低。
引用
@article{arxiv.2009.06505,
title = {Utility-Optimized Synthesis of Differentially Private Location Traces},
author = {Mehmet Emre Gursoy and Vivekanand Rajasekar and Ling Liu},
journal= {arXiv preprint arXiv:2009.06505},
year = {2020}
}