[论文解读] STatistical Election to Partition Sequentially (STEPS) and Its Application in Differentially Private Release and Analysis of Youth Voter Registration Data

Claire McKay Bowen, Fang Liu|arXiv (Cornell University)|Mar 18, 2018

Privacy-Preserving Technologies in Data被引用 1

一句话总结

本文提出 STEPS，一种基于属性可微性进行分层划分以提升统计效率的差分隐私数据合成方法。通过自适应划分优化噪声注入，STEPS 在青年选民注册数据上的数据效用表现优于传统的 DIPS 方法（如拉普拉斯机制和分层直方图）。

ABSTRACT

Voter data is important in political science research and applications such as improving youth voter turnout. Privacy protection is imperative in voter data since it often contains sensitive individual information. Differential privacy (DP) formalizes privacy in probabilistic terms and provides a robust concept for privacy protection. DIfferentially Private Data Synthesis (DIPS) techniques produce synthetic data in the DP setting. However, statistical efficiency of the synthetic data via DIPS can be low due to the potentially large amount of noise injected to satisfy DP, especially in high-dimensional data. We propose a new DIPS approach STatistical Election to Partition Sequentially (STEPS) that sequentially partitions data by attributes per their differentiability of the data variability. Additionally, we propose a metric SPECKS that effectively assesses the similarity of synthetic data to the actual data. The application of the STEPS procedure on the 2000-2012 Current Population Survey youth voter data suggests STEPS is easy to implement and better preserves the original information than some DIPS approaches including the Laplace mechanism on the full cross-tabulation of the data and the hierarchical histograms generated via random partitioning.

研究动机与目标

• 解决高维选民数据中差分隐私数据合成（DIPS）的统计效率低下问题。
• 开发一种基于数据可变性可微性的自适应数据划分方法，以减少噪声注入。
• 在敏感选民数据集中保持强隐私保证的同时，提升合成数据的效用。
• 引入一种新度量指标 SPECKS，以准确评估合成数据与原始数据的相似性。
• 在 2000–2012 年美国人口普查调查的青年选民注册真实数据上评估 STEPS。

提出的方法

• STEPS 根据其可微性对数据属性进行顺序划分，可微性衡量数据可变性在不同取值间变化的平滑程度。
• 该方法使用统计选举过程选择划分点，以最小化信息损失，同时满足差分隐私要求。
• 基于划分结构选择性且自适应地注入噪声，与拉普拉斯等均匀机制相比，整体噪声更少。
• SPECKS 是一种新颖的相似性度量，通过比较多变量分布并捕捉高阶依赖关系来评估合成数据。
• 该方法采用分层划分，通过可微性阈值引导的递归分割，平衡隐私与效用。
• 该方法在 13 年纵向青年选民注册数据集上进行评估，采用列联表和基于直方图的对比方法。

实验结果

研究问题

• RQ1 数据划分策略在差分隐私数据合成中如何提升统计效率？
• RQ2 基于可微性的顺序划分在多大程度上优于均匀噪声注入，从而提升数据效用？
• RQ3 新度量指标 SPECKS 是否能有效捕捉合成数据与原始数据分布之间的保真度？
• RQ4 STEPS 在保持数据结构方面与既有的 DIPS 方法（如拉普拉斯机制和分层直方图）相比表现如何？
• RQ5 自适应划分是否能在高维选民数据中减少噪声，同时保持强差分隐私保证？

主要发现

• 与对完整列联表应用拉普拉斯机制相比，STEPS 显著提升了数据效用，更准确地保留了边缘分布与联合分布。
• 该方法在保持青年选民注册数据结构完整性方面，优于通过随机划分生成的分层直方图。
• SPECKS 有效量化了合成数据的相似性，其与原始数据的相关性高于标准度量指标。
• 基于可微性的顺序划分实现了更高效的噪声分配，降低了合成估计的整体方差。
• 在 2000–2012 年美国人口普查调查数据上的应用证实，STEPS 在实际政治科学研究中兼具实用性与有效性。
• STEPS 在满足正式差分隐私约束的同时，更好地保留了复杂数据关系。