Privacy-Utility Trade-Off
在本文中,我们研究的隐私效用权衡(PUT)问题,它考虑了最小的隐私损失在一个固定的费用效用。研究了PUT问题中的几种不同的隐私,包括差分隐私、近似差分隐私、最大信息、最大泄漏、Renyi差分隐私、Sibson互信息和互信息。平均汉明距离被用来衡量隐私机制所造成的失真。我们考虑两种情况:全球隐私和本地隐私。在全局隐私框架下,隐私失真函数的上界为特定机制的隐私损失,下界为任意可能先验输入分布下的最优隐私损失。在局部隐私的框架下,我们推广了一个着色方法的PUT问题。
2022-04-26 cs.IT math.IT
Low Influence, Utility, and Independence in Differential Privacy: A Curious Case of $3 \choose 2$
我们研究了随机化低影响函数和差分私有机制之间的关系。我们的主要目的是正式确定是否差异私人机制是低影响力,以及是否低影响力的随机功能可以差异私人。我们表明,差分隐私并不一定意味着低影响力在正式意义上。然而,低影响意味着近似的差分隐私。这些结果适用于独立和非独立的随机机制,其中前者的一个重要实例是广泛使用的加性噪声技术在差分隐私文献。我们的研究还揭示了有趣的动态之间的效用,低影响力和独立性的差异私人机制。正如本文的名称所示,我们表明,任何两个这样的功能是同时可能的。然而,为了有一个差异私人机制,既有效用和低的影响力,即使在一个非常温和的效用条件下,一个必须采用非独立的机制。
2021-02-07 cs.CR cs.IT math.IT
The Privacy-Utility Tradeoff of Robust Local Differential Privacy
我们考虑数据$X=(S,U)$的数据发布协议,其中$S$是敏感的;发布的数据$Y$包含尽可能多的关于$X$的信息,作为$\operatorname{I}(X;Y)$测量,而不会泄露太多关于$S$的信息。我们引入鲁棒局部差分隐私(RLDP)框架来衡量隐私。这一框架依赖于数据的基本分布,而数据的基本分布需要根据现有数据进行估计。强大的隐私保证,确保隐私的所有分布在一个给定的集合$\mathcal{F}$,我们研究了两种情况下:当$\mathcal{F}$是所有分布的集合,当$\mathcal{F}$是一个置信度集产生的$χ^2$测试公开可用的数据集。在前一种情况下,我们引入了一个新的释放协议,我们证明是最佳的低隐私制度。在后一种情况下,我们提出了四个算法,从一个给定的数据集构建RLDP协议。其中之一是通过一个多面体近似$\mathcal{F}$,并使用稳健优化的结果来产生高实用性的发布协议。然而,该算法依赖于顶点枚举,并且对于大的输入空间变得计算上不可访问。其他三种算法是低复杂度的,并建立在随机响应的基础上。实验证明,所有四个算法提供了显着改善的效用比常规LDP。
2021-01-22 cs.CR cs.IT math.IT
Meeting Utility Constraints in Differential Privacy: A Privacy-Boosting Approach
针对严格隐私参数下差分隐私机制难以满足效用约束的问题,提出兼容多数加噪DP机制的隐私增强框架,通过调整输出分布与方差,在满足效用要求的同时降低隐私损失,在高查询敏感度场景下效果显著。
2024-12-13 cs.CR cs.DS cs.IT
The Right to Be Forgotten under Correlation: Privacy-Utility Tradeoffs
Technical University of Munich(慕尼黑工业大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Rutgers University(罗格斯大学)
该研究针对关联数据集的隐私保护算法,分析局部机制与二元马尔可夫关联下隐私-效用的最优权衡,将机制设计分解为序列局部问题,最优机制为有限时域确定性马尔可夫决策过程的解。
2026-10-14 cs.CR cs.IT math.IT
The Economics of Privacy and Utility: Investment Strategies
由于个人信息的不受限制的披露,不可避免的隐私泄露激发了对健壮的隐私保护机制的广泛研究。然而,现有的研究大多局限于在静态环境下解决问题,而忽略了随着时间的推移隐私泄漏。不幸的是,这种隐私处理在实际环境中是不够的,在实际环境中,用户随着时间的推移连续地公开他们的个人信息,导致用户的敏感信息的累积泄漏。在本文中,我们考虑在有限的时间范围内的隐私泄漏和调查的最佳策略,以最大限度地提高所披露的数据的效用,同时限制有限的地平线隐私泄漏。我们认为一个简单的隐私机制,涉及压缩用户的数据之前,每次披露,以满足未来的隐私所需的约束。我们进一步激励几种算法来优化动态隐私效用权衡,并通过广泛的综合性能测试来评估它们的性能。
2022-07-04 cs.CR cs.GT cs.IT
Privacy Against Brute-Force Inference Attacks
隐私保护数据发布是关于披露有用数据的信息,同时保留敏感数据的隐私。假设敏感数据受到暴力攻击者的威胁,我们将猜测泄漏定义为一种隐私度量,基于猜测的概念。在研究了该测度的性质后,我们通过一个线性规划,以任意$f$-信息作为效用测度,得到了最优效用-隐私权衡,并证明了最优效用是隐私泄露预算的凹分段线性函数.
2019-02-01 cs.CR cs.IT math.IT
Data Privacy and Utility Trade-Off Based on Mutual Information Neural Estimator
在大数据和物联网(IoT)时代,数据所有者需要在不安全的环境中与预期接收者共享大量数据,这就提出了用户隐私和数据效用之间的权衡问题。通过基于互信息的隐私漏斗来促进隐私效用权衡。然而,在样本量小或分布函数未知的情况下,准确地表征互信息是具有挑战性的。在这篇文章中,我们提出了一个隐私漏斗的基础上互信息神经估计器(MINE),以优化隐私效用权衡估计互信息。与传统的计算互信息的方法不同,我们使用MINE来估计它,MINE以训练的方式获得估计的互信息,确保估计结果尽可能精确。我们采用估计的互信息作为隐私和效用的度量,然后形成一个问题,通过训练一个神经网络,而估计的隐私话语小于一个阈值,以优化数据效用。仿真结果还表明,从MINE估计的互信息工作得很好,近似的互信息,即使在有限数量的样本,量化隐私泄漏和数据效用保留,以及优化隐私效用权衡。
2021-12-17 cs.IT math.IT
Privacy Leakage over Dependent Attributes in One-Sided Differential Privacy
在许多现实应用中,提供可证明的隐私保证,同时保持数据的实用性是一项具有挑战性的任务。最近,引入了一种称为单边差分隐私(OSDP)的新框架,其扩展了现有的差分隐私方法。OSDP通过利用并非所有记录都是敏感的这一事实来提高数据的实用性。然而,先前的工作假设所有记录在统计上彼此独立。本文以楼宇管理系统中的占用数据为背景,扩展了现有的单边差分隐私框架。在本文中,我们量化的整体隐私泄漏时,对手的记录之间的依赖信息。此外,我们展示了如何构建一个优化问题,有效地权衡效用和隐私。
2021-12-17 cs.CR cs.IT math.IT
Optimal Utility-Privacy Trade-off with Total Variation Distance as a Privacy Measure
总变化距离被提出作为一个隐私措施在信息披露的情况下,当目标是揭示一些可用的数据在返回的效用的信息,同时保留某些敏感的潜在变量从合法的接收器的隐私。引入总变差距离作为隐私泄露的度量,证明了:1)总变差距离满足后处理不等式和链接不等式,这使得它与隐私度量的直观概念一致; 2)当总变差距离作为隐私度量时,最优效用-隐私权衡可以通过标准线性规划求解; iii)它提供了由互信息、最大泄漏或具有有界代价函数的推理攻击的改进测量的隐私泄漏的界限。
2019-03-04 cs.IT math.IT
Information-theoretic metrics for Local Differential Privacy protocols
本地差分隐私(LDP)协议允许聚合器获得关于用户群的敏感数据的人口统计,同时保护各个用户的隐私。为了理解聚合器效用和用户隐私之间的权衡,我们引入了新的信息理论度量效用和隐私。与其他LDP指标相反,这些指标突出了这样一个事实,即用户和聚合器对根本不同的信息域感兴趣。我们展示了我们的指标如何与$\varepsilon$ -LDP,\emph{de facto}标准的隐私度量,给后者的信息理论解释。此外,我们使用我们的指标来定量研究一些流行的协议的隐私效用权衡。
2019-10-17 cs.CR cs.IT math.IT
Worst-Case Utility Privacy Mechanism via Pointwise Maximal Leakage
KTH Royal Institute of Technology(瑞典皇家理工学院)
本文提出了一种利用新型隐私度量点最大泄露(PML)的离散隐私机制,研究在满足PML隐私保证的同时最大化最坏情况效用的机制设计问题,展示了在输出支持集有额外约束的情况下,具有低计算复杂度的效用安全机制是优化最坏情况效用问题的最优解。
2026-05-19 cs.IT math.IT
Utility-Optimized Local Differential Privacy Mechanisms for Distribution Estimation
LDP(局部差分隐私)已经被广泛研究以估计个人数据的统计(例如,在保护用户隐私的同时,虽然LDP不需要可信的第三方,但它认为所有个人数据都是同样敏感的,这会导致过度混淆,从而失去效用。在本文中,我们介绍了ULDP(实用优化的LDP)的概念,它提供了一个隐私保证等同于LDP只对敏感数据。我们首先考虑所有用户使用相同的混淆机制的设置,并提出两种机制提供ULDP:效用优化的随机响应和效用优化的RAPPOR。然后,我们考虑敏感数据和非敏感数据之间的区别可能因用户而异的设置。对于这种设置,我们提出了一个个性化的ULDP机制与语义标签,以估计具有高效用的个人数据的分布,同时保持什么是每个用户的敏感秘密。我们从理论和实验上表明,我们的机制提供了更高的效用比现有的LDP机制时,有很多的非敏感数据。我们还表明,当大多数的数据是不敏感的,我们的机制甚至提供几乎相同的效用,在低隐私制度的非私有机制。
2019-05-27 cs.CR cs.DB cs.IT
Randomized Privacy Budget Differential Privacy
在通过从数据中发现知识来追求更好的效用的同时,个人的隐私可能在分析期间受到损害。为此,差分隐私已被广泛认为是最先进的隐私概念。通过要求输入中任何个人数据的存在仅略微影响输出上的分布,差分隐私提供了针对拥有任意背景的对手的强有力的保护。然而,隐私约束(例如,由差分隐私强加的随机化程度)可能使得所发布的数据对分析不太有用,隐私和效用之间的基本折衷(即,分析精度)在各种环境中引起了极大的关注。在这份报告中,我们提出了DP机制与随机参数,即,随机化隐私预算,并形式化地分析了其隐私性和效用,证明了DP机制中的随机化隐私预算将极大地提高准确性。
2022-09-03 cs.CR cs.IT math.IT
Utility and Privacy of Data Sources: Can Shannon Help Conceal and Reveal Information?
私有信息从无数大型集中式可搜索数据存储库中“泄漏”(无意中或通过恶意设计)的问题推动了对分析框架的需求,该分析框架明确量化私有数据的安全程度(隐私),同时仍为多个合法信息消费者提供有用的利益(实用程序)。率失真理论被证明是开发这样的框架的自然选择,该框架包括以下内容:数据源的建模,开发独立于应用的效用和隐私度量,量化效用-隐私权衡而不管数据源的类型或提供隐私的方法,开发用于处理外部知识问题的边信息模型,研究了多查询数据源的连续泄露问题。
2010-02-06 cs.IT math.IT
Fundamental Limit of Discrete Distribution Estimation under Utility-Optimized Local Differential Privacy
School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院电气工程学院);Information & Electronics Research Institute, KAIST(韩国科学技术院信息与电子研究所)
研究效用优化的局部差分隐私下离散分布估计问题,通过广义渐近Cramér-Rao下界、极值机制约简和分布分解技术刻画隐私-效用权衡,并提出效用优化的块设计方案实现最优估计。
2025-09-29 cs.CR cs.IT math.IT
An Algorithm for Enhancing Privacy-Utility Tradeoff in the Privacy Funnel and Other Lift-based Measures
针对隐私漏斗这一非凸隐私-效用权衡优化难题,提出比提升度宽松、比互信息严格且可高效求解的隐私度量,结合启发式算法,在相同隐私预算下提升效用,并拓展至其他基于提升度的度量,经数值与理论验证有效。
2024-08-19 cs.IT math.IT
Unified Expression of Utility-Privacy Trade-off in Privacy-Constrained Source Coding
隐私受限的信源编码问题近来变得越来越重要,并且已经针对各种系统研究了效用-隐私权衡。Yamamoto(1983)在两种情况下发现了编码率、隐私和效用的理论极限:(i)公共和私人信息都被编码;(ii)只有公共信息被编码。然而,在更一般的情况下,理论上的限制还没有得到表征;(三)编码的消息包括公共信息和私人信息的一部分。然后在本文中,我们使用率失真理论来描述情况(iii)中的权衡关系。所得到的可达域的表达式是一个“统一表达式”,因为它包括情况(i)和(ii)中的特殊情况。数值结果还表明,情况(i)和(ii)都不是最好的情况下,它是重要的是要选择适当的编码信息的情况(iii)。
2022-05-09 cs.IT math.IT
Federated Learning with Local Differential Privacy: Trade-offs between Privacy, Utility, and Communication
联邦学习(FL)由于其分散的结构允许私下训练大量的数据。随机梯度下降(SGD)由于其良好的经验性能而通常用于FL,但是仍然可以从FL迭代期间共享的权重更新推断敏感的用户信息。我们考虑高斯机制,以保持局部差分隐私(LDP)的用户数据在FL模型与SGD。用户隐私,全球效用和传输速率之间的权衡证明通过定义适当的指标FL与LDP。与已有的结果相比,LDP中使用的查询敏感度被定义为一个变量,并应用更严格的隐私计费方法。建议的效用界允许所有用户的异构参数。我们的界限特征有多少效用减少和传输速率增加,如果一个更强的隐私制度的目标。此外,给定一个目标隐私级别,我们的研究结果保证一个显着更大的效用和更小的传输速率相比,现有的隐私会计方法。
2021-02-09 cs.CR cs.DC cs.IT
Enhancing Utility in the Watchdog Privacy Mechanism
本文主要研究如何提高数据效用的隐私看门狗方法,以实现信息论隐私。对于特定的隐私约束,看门狗方法通过应用统一的数据调节方案来过滤掉高风险数据符号,例如,把所有高风险的符号合并在一起虽然这种方法完全交易的符号分辨率的隐私,我们表明,数据效用可以大大提高分区的高风险的符号集和单独私有化每个子集。我们进一步提出了一个凝聚合并算法,找到一个合适的高风险符号的分区:它从一个单一的高风险符号开始,迭代地与其他符号融合,直到得到的子集是私有的。数值模拟表明,该算法的有效性,在私人实现更高的效用的看门狗计划。
2021-10-10 cs.IT math.IT
Robust Privacy-Utility Tradeoffs under Differential Privacy and Hamming Distortion
一个隐私效用权衡开发的任意一组有限字母表源分布。隐私量化使用差分隐私(DP),和效用量化使用预期的汉明失真最大化的一组分布。源分布集(源集)的家庭被分为三类,根据他们捕获的先验知识的不同水平。对于其凸包包含均匀分布的源集合,对称DP机制是最佳的。对于概率值具有固定单调排序的源集合,非对称DP机制是最佳的。对于所有其他的源集,一般的最佳隐私泄漏的上限和下限的开发和紧密性的充分必要条件。不同的隐私泄漏是互信息(MI)泄漏的上限:这两个标准进行了比较分析和数值说明采用更强的隐私标准的效果。
2018-08-01 cs.IT math.IT
Utility-Privacy Tradeoff in Databases: An Information-theoretic Approach
确保电子数据源的有用性,同时提供必要的隐私保障,是一个尚未解决的重要问题。这个问题驱动了对分析框架的需求,该分析框架可以量化个人身份信息的安全性(隐私),同时仍然为多个合法的信息消费者提供可量化的利益(效用)。本文提出了一个信息理论框架,承诺一个分析模型,保证有多少效用是可能的一个给定的隐私水平,反之亦然的紧边界。具体贡献包括:i)用于分类和数值数据的随机数据模型; ii)效用-隐私折衷区域和针对这两种类别及其实际相关性实现它们的编码(sanization)方案;以及iii)在用户和/或数据源处的先验知识的建模以及针对这两种情况的最佳编码方案。
2013-01-21 cs.IT math.IT
Arbitrarily Strong Utility-Privacy Tradeoff in Multi-Agent Systems
网络中的每个代理都进行与一组公共和私有参数线性相关的局部观察。代理将其观察结果发送到融合中心,以允许其估计公共参数。为了防止私有参数的泄漏,每个代理首先使用本地隐私机制对其本地观察进行消毒,然后将其发送到融合中心。我们调查的公共和私人参数估计的Cramér-Rao下界方面的效用隐私权衡。我们研究了一类由线性压缩和噪声扰动给出的隐私机制,并推导出在多智能体系统中实现任意强效用-隐私权衡的充要条件,分别适用于先验信息可用和不可用的情况。我们还提供了一种方法来找到最大的估计隐私可实现的效用不妥协,并提出了一个交替的算法来优化的情况下,任意强的效用隐私权衡是无法实现的效用隐私权衡。
2020-08-11 cs.IT cs.SY eess.SY
Differential Privacy: on the trade-off between Utility and Information Leakage
差分隐私是数据库社区中非常流行的隐私概念。粗略地说,这个想法是,如果两个相邻数据集给出相同答案的概率之比受e^n约束,则随机化查询机制提供了足够的隐私保护。在信息流领域,存在对控制信息泄漏的类似关注,即限制从可观察量推断秘密信息的可能性。近年来,研究人员提出用Rényi min互信息来量化泄漏,这是一个与贝叶斯风险严格相关的概念。在本文中,我们将展示如何建模的查询系统中的信息理论的渠道,我们比较的概念差分隐私与互信息。我们发现,差分隐私意味着一个界上的互信息(但不是反之亦然)。此外,我们证明了我们的界是紧的。然后,我们考虑随机化机制的效用,它表示随机化答案平均与真实答案的接近程度。我们表明,差分隐私的概念意味着效用上的界限,也紧,我们提出了一种方法,在一定条件下建立一个最佳的随机化机制,即提供最佳效用的机制,同时保证差分隐私。
2011-08-25 cs.CR cs.DB cs.IT
Notes on Information-Theoretic Privacy
我们研究隐私和效用之间的权衡的情况下,隐私和效用的互信息来衡量。对于二进制的情况下,我们充分刻画了这种权衡的情况下,完美的隐私,也给了一个上限的情况下,一些隐私泄漏是允许的。然后,我们引入了一个新的量,它量化了可观察数据中包含的私人信息的量,然后将其连接到隐私和效用之间的最佳权衡。
2015-10-08 cs.IT math.IT
Bounds for Privacy-Utility Trade-off with Non-zero Leakage
研究了隐私数据隐藏和可观察两种情况下的隐私机制设计。在第一种情况下,代理观察到与私有数据$X$相关的有用数据$Y$,并且想要向用户公开有用信息。采用隐私机制来生成数据$U$,该数据$U$在满足隐私准则的同时最大化关于$Y$的所揭示的信息。在第二种情况下,代理还可以访问私有数据。为此,函数表示引理和强函数表示引理被扩展,放松了独立性条件,从而允许一定的泄漏。第二种情况下,以及这两种情况下的上限,得出的隐私效用权衡的下限。特别是,对于不允许泄漏的情况下,我们的上限和下限改进了以前的边界。
2023-01-13 cs.IT math.IT
Bounds for Privacy-Utility Trade-off with Per-letter Privacy Constraints and Non-zero Leakage
研究了两种情形下的信息论隐私机制设计问题,其中隐私数据是隐藏的或可观察的。在每种情况下,隐私泄漏的限制被认为是使用两种不同的措施。在这些场景中,私有数据是隐藏的或可观察的。在第一种情况下,代理观察到与私有数据$X$相关的有用数据$Y$,并且希望向用户公开有用信息。设计了一种隐私机制以生成公开数据$U$,其在满足每个字母的隐私约束的同时最大化关于$Y$的公开信息。在第二种情况下,代理还可以访问私有数据。首先,函数表示引理和强函数表示引理通过放松独立性条件得到一个考虑第二种情况的下界。接下来,下界以及上界的隐私效用权衡推导出这两种情况。特别是,对于$X$是$Y$的确定性函数的情况下,我们表明,我们的上限和下限是渐近最优的考虑第一种情况。
2022-05-10 cs.IT math.IT
A Generalization of the Stratonovich's Value of Information and Application to Privacy-Utility Trade-off
Stratonovich的信息值(VoI)是衡量在信息泄漏约束下,从扰动样本中获得多少推理增益的量。在本文中,我们引入了一个广义的VOI一般损失函数和一般的信息泄漏。然后,我们推导出广义VoI的上界。此外,对于经典的损失函数,我们给出了一个上界可达的条件,该条件比以往研究中的弱。由于VoI可以被看作是一个制定的隐私效用权衡(PUT)的问题,我们提供了一个解释,可实现的条件下,在PUT的上下文中。
2022-01-27 cs.IT math.IT
Hypothesis Testing under Maximal Leakage Privacy Constraints
以最大泄漏(ML)为隐私度量,以第二类错误指数为效用度量,研究了用于假设检验的隐私保证数据的发布问题。最佳的机制(随机映射),最大限度地提高效用的有界泄漏保证确定为二进制数据集的整个泄漏范围。对于非二进制数据集,在高隐私和高效用制度的近似。结果表明,对于任何期望的泄漏水平,效用最大化迫使ML隐私机制揭示关于源字母表的子集的部分到完整的知识。最大化凸函数在多面体上的结果也可能是一个独立的利益。
2017-04-10 cs.IT math.IT
Privacy-Utility Tradeoffs in Quantum Information Processing
Department of Mathematics, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校数学系)
本文研究了量子信息处理中隐私与效用的权衡,提出通过去极化机制优化隐私-效用平衡,并展示了私有学习可观测量期望值所需的样本数与隐私和准确性参数的关系。
2026-02-11 cs.CR cs.IT cs.LG
Privacy-Utility Tradeoff Based on $α$-lift
针对以$\alpha$-lift为隐私度量、互信息为效用度量的隐私-效用权衡优化难题,结合$\alpha=\infty$最优解与$\alpha$-lift凸性提出启发式估计算法,数值实验验证了算法有效性并给出性能良好的参数范围。
2024-06-21 cs.IT math.IT
On the Lift, Related Privacy Measures, and Applications to Privacy-Utility Tradeoffs
本文提出不对称局部信息隐私(ALIP)以处理提升不对称性,在看门狗和最优随机响应机制中提高效用,并引入提升逆度量以限制最小提升泄露,实现隐私-效用权衡。
2023-03-02 cs.IT math.IT
Robust Privatization with Multiple Tasks and the Optimal Privacy-Utility Tradeoff
本文研究多任务效用约束下隐私保护数据发布的最优隐私-效用权衡,将非凸优化问题分解为多个并行隐私漏斗问题,显式求解最优机制并给出无泄露阈值和线性规划求解最优权重的方法。
2024-09-01 cs.IT math.IT
Privacy-Utility Trade-off of Linear Regression under Random Projections and Additive Noise
UCLA(加利福尼亚大学洛杉矶分校)
数据隐私是机器学习中的一个重要问题,并且从根本上与训练有用的学习模型的任务不一致,这通常需要获取大量的私有用户数据。在保护用户隐私的同时完成机器学习任务的一种可能的方法是在数据的变换的噪声版本上训练模型,这不会直接向训练过程揭示数据本身。在这项工作中,我们分析了两个这样的计划的线性回归问题的隐私效用权衡:加性噪声和随机投影。与以前的工作相比,我们考虑了最近提出的差分隐私的概念是基于条件互信息(MI-DP),这是强于传统的$(ε, δ)$ -差分隐私,并使用相对客观误差作为效用度量。我们发现,在添加噪声之前将数据投影到低维子空间通常会获得更好的权衡。我们还建立了隐私问题和(非相干)SIMO之间的联系,SIMO在无线通信中已被广泛研究,并使用工具进行分析。我们提出的数值结果表明该计划的性能。
2019-02-13 cs.CR cs.IT cs.LG
Extremal Mechanisms for Local Differential Privacy
局部差分隐私最近作为一种强有力的隐私措施浮出水面,在这种情况下,个人信息即使对数据分析师也是保密的。在一个数据提供者和数据分析师都希望最大限度地提高对已发布数据进行统计分析的效用的环境中工作,我们研究了本地差分隐私和效用之间的基本权衡。这种权衡被公式化为一个约束优化问题:效用最大化受局部差分隐私约束。我们引入了一个组合家庭的极端私有化机制,我们称之为楼梯机制,并表明它包含了广泛的信息理论的公用事业,如互信息和$f$ -分歧的最佳私有化机制。我们进一步证明,对于任何效用函数和任何隐私水平,解决隐私效用最大化问题相当于解决一个有限维线性规划,其结果是最优的阶梯机制。然而,求解这个线性规划可能在计算上是昂贵的,因为它有许多变量,这些变量在数据所在的字母表中的大小是指数级的。为了说明这一点,我们表明,两个简单的私有化机制,二进制和随机响应机制,是普遍最佳的低和高隐私制度,以及近似的中间制度。
2015-11-19 cs.IT math.IT
Privacy-Utility Tradeoff in a Guessing Framework Inspired by Index Coding
本文研究了隐私和实用性的权衡在一个单一的试验多终端猜测(估计)框架使用的系统模型,启发索引编码。在数据管理者处存在$n$独立的离散源。有$m$合法用户和一个对手,每个对手都有一些关于源的辅助信息。数据管理者向合法用户广播源的扭曲函数,这也被对手偷听到。在效用方面,每个合法用户希望完美地重建一些未知源,并在剩余未知源的估计正确性方面获得一定的增益。在隐私方面,数据管理者希望最大限度地减少最大泄漏:在接收到广播数据后,对手在估计其未知源的任何目标函数时的最坏情况猜测增益。给定的系统设置,我们得到基本的性能下限的最大泄漏的对手,这是由混淆图的概念和性能界限的索引编码问题的启发。我们还详细介绍了一个贪婪的隐私增强机制,它的灵感来自凝聚聚类算法的信息瓶颈和隐私漏斗问题。
2020-06-18 cs.IT math.IT
Adaptive Privacy of Sequential Data Releases Under Collusion
University of Oxford(牛津大学)
研究序列数据发布在合谋情况下的隐私-效用权衡问题,提出新问题并制定自适应算法,利用期望失真和互信息量化效用与隐私,实验表明算法能减少合谋下累积泄漏且扩展到机器学习应用。
2026-07-13 cs.IT math.IT
Strong Privacy and Utility Guarantee: Over-the-Air Statistical Estimation
我们认为,从分布式数据,用户通信到中央处理器的高斯多址信道(MAC)的统计估计的隐私问题。为了避免在数字传输方案中不可避免地牺牲数据效用来保护隐私,我们设计了一种利用MAC信道的可加性的空中估计策略。以信道输出与用户数据之间的互信息为度量,得到了该方案的隐私界,并验证了该方案在不产生较大估计误差的情况下能够保证较强的隐私性。此外,为了增加我们的方法的鲁棒性,我们调整我们的主要计划,通过添加高斯噪声本地和条件下的互信息约束下,得到相应的最小最大均方误差。比较我们的方法的数字的性能,我们表明,极大极小误差减少了$O(\frac{1}{n})$一般,这表明在空中估计的优势,为保护数据的隐私和效用。
2020-11-02 cs.IT math.IT math.ST
Privacy-Utility Trade-Offs Against Limited Adversaries
我们研究的隐私效用权衡,用户与服务提供商分享隐私相关的有用信息,以获得一些实用程序。服务提供商是对抗性的,因为它可以根据共享的有用信息推断用户的隐私信息。为了最大限度地减少隐私泄漏,同时保持所需的效用水平,用户仔细扰动有用的信息,通过概率隐私映射之前sharingit. We专注于设置中的对手试图推断攻击用户的隐私有潜在的偏见的信息之间的统计相关性的私人和有用的变量。在相同的效用要求下,用户和有限对手之间的这种信息不对称导致比全知对手的情况下更好的隐私保证。我们首先确定对对手信息的假设,以便推理成本是明确且有限的。然后,我们描述了信息不对称的影响,并表明它增加了对手的推理成本。我们进一步制定的隐私映射的设计,对有限的对手使用凸函数的差异计划,并通过凹凸过程解决它。当对手的信息是不准确的,我们采用贝叶斯的观点,并表示对手的信息的概率分布。在这种情况下,对手的预期成本不允许一个封闭的形式的表达,我们建立和最大化的预期成本的下限。我们提供了一个关于人口普查数据集的数值例子来说明理论结果。
2021-06-18 cs.IT math.IT math.OC
On Maximal Correlation, Mutual Information and Data Privacy
在\cite{Asoodeh}中定义的速率隐私功能作为一个分布式私有数据系统中的隐私和效用之间的权衡,其中隐私和效用都是使用互信息来测量的。在这里,我们使用最大相关性代替隐私约束中的互信息。我们首先得到一些一般的性质和最大相关性的界限,然后修改的速率隐私函数考虑隐私约束的估计问题。当最大相关隐私被设置为某个阈值$ε>0$时,我们找到了这个问题中效用的一个界,并构造了一个达到这个界的显式隐私方案。
2015-10-08 cs.IT math.IT math.ST