[论文解读] Differentially Private Hierarchical Group Size Estimation.

Yu-Hsuan Kuo, Cho-Chun Chiu+3 more|arXiv (Cornell University)|Apr 2, 2018

Privacy-Preserving Technologies in Data参考文献 12被引用 3

一句话总结

本文提出了一种差分隐私解决方案，用于在国家、州和县等分层地理层级上估计家庭规模，同时确保个体隐私。该方法提出了一种一致的估计框架，通过先进的噪声校准和分层约束，在所有层级上保持准确性和一致性。

ABSTRACT

Consider the problem of estimating, for every integer j, the number of households with j people in them, while protecting the privacy of individuals. Add in a geographical component, so that the household size distribution can be compared at the national, state, and county levels. This is an instance of the private hierarchical group size estimation problem, in which each group is associated with a size and a hierarchical attribute. In this paper, we introduce this problem, along with appropriate error metrics and propose a differentially private solution that generates group size estimates that are consistent across all levels of the hierarchy.

研究动机与目标

• 解决在多个人口地理层级上估计家庭规模的同时保护个体隐私的挑战。
• 为具有差分隐私保证的分层群体规模估计定义正式的问题设定。
• 开发一种方法，确保在所有层级上估计结果的一致性，避免独立估计中常见的不一致性。
• 引入针对分层隐私估计量身定制的误差度量指标。
• 证明所提出的方法在不牺牲估计准确性的情况下实现了强大的隐私保障。

提出的方法

• 该方法将分层群体规模估计问题形式化为差分隐私下的约束优化问题。
• 在层级的每一级对群体规模计数应用校准后的噪声，以确保 (ε, δ)-差分隐私。
• 通过施加一致性约束，确保县一级的估计值之和等于州一级的估计值，依此类推，逐级向上。
• 采用数据的分层分解方法，以高效地在各级之间传播隐私预算。
• 集成后处理步骤，以确保各级之间非负性和总和一致性。
• 利用考虑层级结构的噪声分布，以在保护隐私的同时最小化误差。

实验结果

研究问题

• RQ1 如何在保护个体隐私的同时，对多个地理层级的家庭规模进行估计？
• RQ2 评估分层隐私群体规模估计时，最合适的误差度量指标是什么？
• RQ3 在差分隐私下，如何确保不同层级估计结果之间的一致性？
• RQ4 在各级之间分配隐私预算时，隐私预算与估计准确性之间的权衡是什么？
• RQ5 一种差分隐私方法能否在国家、州和县层级上同时产生准确且一致的估计？

主要发现

• 所提出的方法在层级的所有级别上均实现了 (ε, δ)-差分隐私。
• 所有层级的估计结果保持一致，县一级的计数精确地总和为州一级的计数，依此类推。
• 该方法保持了较强的准确性，误差受噪声校准和层级约束的限制。
• 与独立估计方法相比，该方法通过减少不一致性和误差传播，表现出更优性能。
• 隐私预算在各级之间被高效分配，既保持了实用性，又确保了强大的隐私保障。
• 该框架可推广至家庭数据以外的其他分层群体规模估计问题。