WikiEdge:ArXiv速遞/2025-05-21

摘要

• 原文標題：Optimal Piecewise-based Mechanism for Collecting Bounded Numerical Data under Local Differential Privacy
• 中文標題：基於分段的最優機制：局部差分隱私下邊界數值數據收集
• 發布日期：2025-05-21 13:01:41+00:00
• 作者：Ye Zheng, Sumita Mishra, Yidan Hu
• 分類：cs.CR, E.3
• 原文連結：http://arxiv.org/abs/2505.15483v1

中文摘要：摘要：有界數值數據是個人設備（如可穿戴傳感器）中的常見數據類型。雖然此類數據的收集對第三方平台至關重要，但也引發了嚴重的隱私問題。本地差分隱私（LDP）已被證明是一種可提供可證明個體隱私的框架，即使第三方平台不可信時亦然。對於有界數值數據，現有最先進的LDP機制是基於分段機制，這些機制並非最優，導致數據效用降低。 本文研究了基於分段機制的最優設計，以在LDP下最大化數據效用。我們證明現有的分段機制是3-分段機制的啟發式形式，這遠不足以研究最優性。我們將3-分段機制推廣到其最一般形式，即無預定義分段形式的m-分段機制。在此形式下，我們通過結合解析證明和現成的優化求解器，推導出閉式最優機制。接著，我們將廣義分段機制擴展到循環域（以及經典域），該域定義在兩端點距離為零的循環範圍內。通過結合這一特性，我們設計了循環域的最優機制，與現有機制相比顯著提高了數據效用。 我們提出的機制保證了在所有廣義分段機制中LDP下的最優數據效用。我們證明它們在LDP的兩個常見應用（分布估計和均值估計）中也實現了最優數據效用。理論分析和實驗評估證明並驗證了我們所提出機制的數據效用優勢。