解读本地差分隐私、平均贝叶斯隐私和最大贝叶斯隐私之间的相互作用
原文中文,约300字,阅读约需1分钟。发表于: 。我们综合研究引入了贝叶斯隐私并深入探讨了局部差分隐私及其贝叶斯对应之间错综复杂的关系,揭示了新的有关效用和隐私之间的权衡。
本文研究了本地差分隐私模型下敏感统计信息的收集,并提出了一种算法,其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告,我们展示了以中心式差分隐私模型来看待时,我们的 LDP 算法的隐私成本实际上更低。通过新的隐私放大技术,我们证明了任何置换不变的算法,满足 ε 局部差分隐私的同时,也会满足(O(ε sqrt {log(1/δ)/n)},δ)中心差分隐私。研究结果表明,基于 LDP 的工业部署的隐私成本会比宣传的 ε 值所表示的要低得多,至少是在报告经过匿名化的情况下。