差分隐私普遍最优机制的不可能性
本文提出了一种基于差分隐私的机制,以保证数据查询的数据隐私和查询效用之间的平衡。机制包含了每个可能的用户的期望最小化的代价函数,并且针对每个固定数量的查询和差分隐私级别,存在一种几何机制可以同时保证每个可能用户的最佳实用性,这是一种极强的实用性保障。
Nov, 2008
本研究研究了本地差分隐私和效用之间的基本权衡,介绍了一种组合极端私有化机制族,即楼梯机制,并通过展示它包含广泛信息理论实用程序的最优私有化机制来证明其有效性。同时,我们证明了二进制和随机响应机制在低、高隐私区间是普遍最优的,能够很好地近似中间区间。
Jul, 2014
本文提出了单一实值查询函数的最优 ε- 差分隐私机制,其噪声概率分布类具有楼梯形状、对称性、单调递减和几何衰减,可以被视为均匀概率分布的几何混合,并将此机制自然地推广到了离散查询输出环境和更抽象的环境中。通过将最优性能与拉普拉斯机制的性能进行比较,我们得出结论,当 ε 趋近于 0 时,拉普拉斯机制是渐近最优的;而在 ε 趋近于 +∞时,最小噪声振幅和最小噪声功率分别为 Θ(Δe^-ε/2) 和 Θ(Δ^2 e^-2ε/3),而拉普拉斯机制的噪声振幅和功率期望分别为 Δ/ε 和 2Δ^2/ε^2,在低隐私保护级别下获得更明显的收益。
Dec, 2012
本篇论文提出了一种新的建模隐私保护的方式,通过在玩家的效用函数中引入隐私代价,基于此提出了三种保证机制使得机制既能保证差分隐私,又能保证数据的真实性,实验表明该方法在玩家数量增加时能逐步优化社会效益。
Nov, 2011
本文介绍差分隐私与最小 Rény 熵互信息相关性的模型,指出差分隐私可推出对互信息的限制,同时提供了一个在保持差分隐私的前提下产生最大随机值的方法.
Mar, 2011
本文提供了一种基于差分隐私的平均数估计优化方法,该方法针对实际数据处理效果较好,能够适应各种数据类型的特点,且具有较强的实例优化性能。同时,该方法还可以在本地和混洗模型下进行扩展。
Jun, 2021
本文重点研究搜索不同的差分隐私机制,研究隐私水平下降的速度,并通过引入假设测试和数据处理不等式的新操作解释提出了一种解决方案,改进了现有技术并具有多方计算等多领域的应用。
Nov, 2013