[论文解读] Privacy-preserving Analysis of Correlated Data.
本文提出了Wasserstein机制与马尔可夫补丁机制，以在Pufferfish隐私框架下实现对相关数据的隐私保护分析，为时间序列和网络化数据分别提供了一般性解决方案与计算高效的替代方案，从而将隐私保障范围扩展至传统差分隐私之外。
Many modern machine learning applications involve sensitive correlated data, such private information on users connected together in a social network, and measurements of physical activity of a single user across time. However, the current standard of privacy in machine learning, differential privacy, cannot adequately address privacy issues in this kind of data. This work looks at a recent generalization of differential privacy, called Pufferfish, that can be used to address privacy in correlated data. The main challenge in applying Pufferfish to correlated data problems is the lack of suitable mechanisms. In this paper, we provide a general mechanism, called the Wasserstein Mechanism, which applies to any Pufferfish framework. Since the Wasserstein Mechanism may be computationally inefficient, we provide an additional mechanism, called Markov Quilt Mechanism, that applies to some practical cases such as physical activity measurements across time, and is computationally efficient.
研究动机与目标
- 解决差分隐私在处理敏感相关数据（如社交网络和时间序列身体活动测量）时的局限性。
- 为Pufferfish隐私设计一种通用机制，适用于任意相关数据框架。
- 为实际应用场景（如纵向健康数据）设计计算高效的机制。
- 弥合理论上的Pufferfish隐私与涉及依赖结构的实际机器学习应用之间的差距。
提出的方法
- 通过利用最优传输理论来限制隐私泄露，提出Wasserstein机制作为相关数据中Pufferfish隐私的一般性解决方案。
- 将Wasserstein机制应用于任意Pufferfish框架，通过分布敏感性分析确保隐私保障。
- 提出马尔可夫补丁机制作为针对马尔可夫依赖数据（如时间序列测量）的专用高效变体。
- 在马尔可夫补丁机制中利用条件独立性假设，以降低计算复杂度，同时保持隐私性。
- 采用机制设计方法，根据数据依赖结构定制噪声注入策略。
- 依赖Pufferfish框架通过指定可能的秘密集合与数据配置来定义隐私的能力。
实验结果
研究问题
- RQ1如何在差分隐私失效的相关数据（如社交网络和时间序列）中有效应用Pufferfish隐私？
- RQ2何种通用机制可确保在任意相关数据结构上的Pufferfish隐私？
- RQ3能否为Pufferfish隐私下的实际时间序列数据设计计算高效的机制？
- RQ4所提出的机制在真实相关数据上的隐私-效用权衡方面如何比较？
主要发现
- Wasserstein机制为相关数据中的Pufferfish隐私提供了理论严谨的一般性解决方案，适用于任何框架。
- 马尔可夫补丁机制在马尔可夫依赖数据（如纵向身体活动测量）中实现了显著的计算效率。
- 两种机制将Pufferfish隐私的适用范围从i.i.d.数据扩展至结构化相关数据类型。
- 通过显式建模数据依赖关系的概率结构，这些机制确保了强大的隐私保障。
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。