[论文解读] Privacy Preserving Record Linkage via grams Projections

Luca Bonomi, Li Xiong+2 more|arXiv (Cornell University)|Aug 14, 2012

Privacy-Preserving Technologies in Data参考文献 21被引用 8

一句话总结

该论文提出了一种基于差分隐私的频繁可变长度gram的隐私保护记录链接方法，用于安全数据嵌入，实现准确的近似匹配并支持个性化阈值。该方法在差分隐私下实现了正式的隐私保障，在可扩展性和实用性方面优于先前工作，并消除了对全局阈值启发式方法的需求。

ABSTRACT

Record linkage has been extensively used in various data mining applications involving sharing data. While the amount of available data is growing, the concern of disclosing sensitive information poses the problem of utility vs privacy. In this paper, we study the problem of private record linkage via secure data transformations. In contrast to the existing techniques in this area, we propose a novel approach that provides strong privacy guarantees under the formal framework of differential privacy. We develop an embedding strategy based on frequent variable length grams mined in a private way from the original data. We also introduce personalized threshold for matching individual records in the embedded space which achieves better linkage accuracy than the existing global threshold approach. Compared with the state-of-the-art secure matching schema, our approach provides formal, provable privacy guarantees and achieves better scalability while providing comparable utility.

研究动机与目标

• 解决在敏感字符串数据记录链接中平衡实用性与隐私的挑战。
• 开发一种安全转换方法，在差分隐私下提供正式的隐私保障。
• 通过将全局阈值替换为每条记录的个性化阈值，提高链接准确性。
• 与现有的安全匹配方案（如Lipschitz嵌入）相比，提升可扩展性和实用性。
• 实现在无需事先知晓最优阈值的情况下进行近似匹配。

提出的方法

• 使用差分隐私算法从原始数据中挖掘频繁可变长度gram，构建私有基础。
• 利用私有gram基础将字符串记录嵌入实数向量空间，保留相似性以支持匹配。
• 对挖掘过程应用差分隐私，以确保单个记录的隐私。
• 基于局部数据特征为每条记录引入个性化阈值，提升匹配准确性。
• 将多个参与方的私有基础组合，形成共享的嵌入空间以实现安全链接。
• 采用混合方法，结合前缀树与频繁模式挖掘，实现高效的基础构建。

实验结果

研究问题

• RQ1 能否利用频繁可变长度gram构建一种私有且保持实用性的字符串记录嵌入？
• RQ2 与全局阈值相比，个性化阈值如何提升链接准确性？
• RQ3 差分隐私能否有效应用于记录链接中gram的挖掘，同时保持实用性？
• RQ4 与现有安全转换技术相比，该方法在数据集规模增加时的可扩展性如何？
• RQ5 在所提出的框架中，隐私（ε）与链接实用性之间的权衡关系如何？

主要发现

• 所提方法在非私有挖掘的实用性水平相当，CITIES数据集上精确匹配的F1分数达到0.92，2编辑距离匹配的F1分数达到0.60。
• 个性化阈值显著提升了匹配准确性，通过自适应个体记录的相似性，消除了对最优阈值先验知识的需求。
• 运行时间与数据集规模呈线性关系，表现出良好的可扩展性，且比[23]中的Lipschitz方法快约50%。
• 即使在强隐私保护（低ε）条件下，该方法仍保持高实用性，显示出隐私与实用性之间的有利权衡。
• 在CITIES数据集上，当基础大小超过20时，该方法接近最优实用性；而Lipschitz嵌入在较小基础大小（如k=12）时表现最佳。
• 混合前缀树与FPM挖掘方法在实用性上接近非私有挖掘，验证了私有gram挖掘策略的有效性。