保持效用的安全隐私数据发布
数据结构与算法
2019-03-18 v3 密码学与安全
摘要
差分隐私机制若同时使数据重构不可能，则会付出代价——效用降低。在本文中，我们通过设计一种隐私数据发布机制来解决此问题，该机制使原始数据重构不可能，并且对广泛的机器学习算法保持效用。我们通过将 Johnson-Lindenstrauss (JL) 变换与由拉普拉斯分布生成的噪声相结合来实现这一点。虽然 JL 变换本身可提供隐私保证且使重构不可能，但我们不依赖其差分隐私性质，仅利用其使重构不可能的能力。我们给出新的证明以表明我们的机制在单元素变更以及任意数据库的单行变更下是差分隐私的。为展示效用，我们证明我们的机制在期望下保持点间的成对距离，并表明其方差与我们投影数据所至子空间的维数成正比。最后，我们通过在聚类任务上部署该机制从实验上展示了其效用。
引用
@article{arxiv.1901.09858,
title = {Utility Preserving Secure Private Data Release},
author = {Jasjeet Dhaliwal and Geoffrey So and Aleatha Parker-Wood and Melanie Beck},
journal= {arXiv preprint arXiv:1901.09858},
year = {2019}
}