WikiEdge:ArXiv速递/2025-05-21

摘要

• 原文标题：Optimal Piecewise-based Mechanism for Collecting Bounded Numerical Data under Local Differential Privacy
• 中文标题：基于分段的最优机制：局部差分隐私下边界数值数据收集
• 发布日期：2025-05-21 13:01:41+00:00
• 作者：Ye Zheng, Sumita Mishra, Yidan Hu
• 分类：cs.CR, E.3
• 原文链接：http://arxiv.org/abs/2505.15483v1

中文摘要：摘要：有界数值数据是个人设备（如可穿戴传感器）中的常见数据类型。虽然此类数据的收集对第三方平台至关重要，但也引发了严重的隐私问题。本地差分隐私（LDP）已被证明是一种可提供可证明个体隐私的框架，即使第三方平台不可信时亦然。对于有界数值数据，现有最先进的LDP机制是基于分段机制，这些机制并非最优，导致数据效用降低。 本文研究了基于分段机制的最优设计，以在LDP下最大化数据效用。我们证明现有的分段机制是3-分段机制的启发式形式，这远不足以研究最优性。我们将3-分段机制推广到其最一般形式，即无预定义分段形式的m-分段机制。在此形式下，我们通过结合解析证明和现成的优化求解器，推导出闭式最优机制。接着，我们将广义分段机制扩展到循环域（以及经典域），该域定义在两端点距离为零的循环范围内。通过结合这一特性，我们设计了循环域的最优机制，与现有机制相比显著提高了数据效用。 我们提出的机制保证了在所有广义分段机制中LDP下的最优数据效用。我们证明它们在LDP的两个常见应用（分布估计和均值估计）中也实现了最优数据效用。理论分析和实验评估证明并验证了我们所提出机制的数据效用优势。