[论文解读] Data Sanitisation Protocols for the Privacy Funnel with Differential Privacy Guarantees
本文提出了用于隐私漏斗（Privacy Funnel）的本地数据净化协议，通过本地差分隐私（LDP）和本地信息隐私（LIP）提供最坏情况下的隐私保障。提出高效算法以计算两种度量下的最优协议，表明LIP在与隐私漏斗需求的对齐性、计算速度方面优于LDP，同时提出一种新的条件报告协议（Conditional Reporting），适用于最优解不可行的实际场景。
In the Open Data approach, governments and other public organisations want to share their datasets with the public, for accountability and to support participation. Data must be opened in such a way that individual privacy is safeguarded. The Privacy Funnel is a mathematical approach that produces a sanitised database that does not leak private data beyond a chosen threshold. The downsides to this approach are that it does not give worst-case privacy guarantees, and that finding optimal sanitisation protocols can be computationally prohibitive. We tackle these problems by using differential privacy metrics, and by considering local protocols which operate on one entry at a time. We show that under both the Local Differential Privacy and Local Information Privacy leakage metrics, one can efficiently obtain optimal protocols. Furthermore, Local Information Privacy is both more closely aligned to the privacy requirements of the Privacy Funnel scenario, and more efficiently computable. We also consider the scenario where each user has multiple attributes, for which we define Side-channel Resistant Local Information Privacy, and we give efficient methods to find protocols satisfying this criterion while still offering good utility. Finally, we introduce Conditional Reporting, an explicit LIP protocol that can be used when the optimal protocol is infeasible to compute, and we test this protocol on real-world and synthetic data. Experiments on real-world and synthetic data confirm the validity of these methods.
研究动机与目标
- 为解决传统隐私漏斗方法依赖平均情况互信息泄露而缺乏最坏情况隐私保障的问题。
- 通过转向对单个数据条目进行操作的本地协议，克服大规模数据集下全局净化协议计算不可行的问题。
- 将差分隐私度量（特别是本地差分隐私LDP和本地信息隐私LIP）适配至隐私漏斗场景，测量关于敏感变量$S$的泄露，而非可观测变量$X$。
- 开发LIP和LDP最优协议的高效计算方法，重点关注可扩展性与效用保持。
- 提出并评估一种新协议——条件报告（Conditional Reporting, CR），用于最优协议计算不可行的场景。
提出的方法
- 将本地差分隐私（LDP）和本地信息隐私（LIP）度量适配至测量关于敏感变量$S$的泄露，而非可观测变量$X$，以确保最坏情况下的隐私保障。
- 将寻找最优净化协议的问题简化为枚举多面体的顶点：LDP对应$a^2 - a$维多面体，LIP对应$a - 1$维多面体，其中$a = \#\mathcal{X}$。
- 使用凸优化技术，在LDP或LIP泄露的隐私约束$\varepsilon$下，最大化互信息$I(X;Y)$。
- 提出条件报告（CR）协议，通过求解一维根查找问题确定最优报告参数$\alpha$，避免完整枚举顶点。
- 通过侧信道抗性本地信息隐私（SRLIP）将框架扩展至多属性场景，确保对侧信道攻击的鲁棒性。
- 采用数值方法高效计算CR参数，并在真实数据集（Adult）和合成数据集上评估性能。
实验结果
研究问题
- RQ1能否为隐私漏斗框架高效计算具有最坏情况隐私保障的本地净化协议？
- RQ2在隐私漏斗场景中，本地信息隐私（LIP）与本地差分隐私（LDP）在隐私对齐性、计算效率和效用方面如何比较？
- RQ3在保持强隐私性的同时，像条件报告（CR）这样的实用高效协议能否在效用上优于现有通用LDP协议（如GRR和OUE）？
- RQ4CR及其他协议的性能如何依赖于联合分布$p_{X,S}$，特别是参数$\alpha$和$\varepsilon$？
- RQ5在多属性场景中，侧信道抗性LIP（SRLIP）在多大程度上提升了隐私鲁棒性？其在效用和计算时间上的权衡如何？
主要发现
- 通过枚举$a-1$维多面体的顶点（含$2ac$条不等式），可高效计算最优$\varepsilon$-LIP协议，其计算复杂度远低于计算$\varepsilon$-LDP所需的$a^2 - a$维多面体。
- LIP在与隐私漏斗保护敏感变量$S$的目标对齐性方面表现更优，在计算效率和效用方面也优于LDP，尤其在小$\varepsilon$时优势显著。
- 所提出的条件报告（CR）协议在所有实验中均优于OUE，且与GRR性能相当，其效用取决于各协议控制参数$\alpha$的相对取值。
- 在Adult数据集上，当$\varepsilon = 1.5$和$\varepsilon = 2$时，CR的效用优于GRR，且随着$a$相对于$c$的增大，性能差距进一步扩大。
- SRLIP通过防止侧信道泄露，在多属性场景中提供了强于LIP的隐私保障，但代价是计算时间增加且效用降低。
- GRR与CR之间的效用差异无法仅通过标准分布特性（如$I(X;S)$、$\max_{x,s} p_{x,s}$或$\max_x p_x$）预测。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。