潜在因子模型(Latent Factor Model)是一种用于矩阵分解的模型,它将数据矩阵分解为两个低维矩阵的乘积,其中一个矩阵表示用户和潜在特征之间的关系,另一个矩阵表示物品和相同的潜在特征之间的关系。如果原始数据矩阵包含敏感信息,为了保护隐私,可以使用差分隐私技术来增加噪声,从而限制对敏感信息的推断。
假设原始数据矩阵 R ∈ R n × m R \in \mathbb{R}^{n\times m} R∈Rn×m 经过潜在因子模型分解为两个低维矩阵 U ∈ R n × k U \in \mathbb{R}^{n\times k} U∈Rn×k 和 V ∈ R m × k V \in \mathbb{R}^{m\times k} V∈Rm×k,即 R ≈ U V T R\approx UV^T R≈UVT,其中 k ≪ min ( n , m ) k\ll\min(n,m) k≪min(n,m) 表示潜在特征的数量。为保护隐私,我们需要给 R R R 添加拉普拉斯噪声 Δ R \Delta R ΔR,从而扰动 R R R 的值,使得对于任何两个相邻的数据集 D D D 和 D ′ D' D′,添加的噪声量不超过一定阈值 ϵ \epsilon ϵ。
具体地,我们定义相邻的数据集为仅在一个元素 ( i , j ) (i,j) (i,j) 上有所不同的数据集 D D D 和 D ′ D' D′,并且假设 R i , j ∈ [ 0 , 1 ] R_{i,j}\in [0,1] Ri,j∈[0,1] 是元素 ( i , j ) (i,j) (i,j) 在原始数据矩阵中的真实值, R ^ i , j = U i ⋅ V j T \hat R_{i,j}=U_i\cdot V_j^T R^i,j=Ui⋅VjT 表示模型预测的评分。则添加的拉普拉斯噪声 Δ R i , j \Delta R_{i,j} ΔRi,j 可以如下计算:
Δ R i , j = R ^ i , j + λ ϵ ⋅ L a p ( 0 , 1 ) \Delta R_{i,j}=\hat R_{i,j}+\frac{\lambda}{\epsilon}\cdot Lap(0,1) ΔRi,j=R^i,j+ϵλ⋅Lap(0,1)
其中 λ \lambda λ 是控制噪声强度的参数, L a p ( 0 , 1 ) Lap(0,1) Lap(0,1) 表示均值为 0 0 0,规模参数为 1 1 1 的拉普拉斯分布(注意这里的拉普拉斯分布与上面装箱模型中的拉普拉斯噪声不同),其概率密度函数为:
f ( x ) = 1 2 exp ( − ∣ x ∣ ) f(x)=\frac{1}{2}\exp(-|x|) f(x)=21exp(−∣x∣)
接下来我们需要证明,添加的拉普拉斯噪声满足差分隐私。
首先我们需要证明噪声是可区分的,即对于任意相邻的数据集 D D D 和 D ′ D' D′,添加的噪声量不超过一定的阈值 ϵ \epsilon ϵ。根据拉普拉斯机制的性质,添加的拉普拉斯噪声的敏感度为 1 / ϵ 1/\epsilon 1/ϵ,即对于任意相邻的数据集 D D D 和 D ′ D' D′,只要它们在一个元素上有所不同,那么其对应的噪声量之差就不会超过 1 / ϵ 1/\epsilon 1/ϵ。因此,我们有:
∣ Δ R i , j − Δ R i , j ′ ∣ = ∣ λ ϵ ⋅ ( L a p ( 0 , 1 ) − L a p ( 0 , 1 ) ) ∣ = 0 ≤ 1 / ϵ \begin{aligned} |\Delta R_{i,j}-\Delta R'_{i,j}|&=\left|\frac{\lambda}{\epsilon}\cdot(Lap(0,1)-Lap(0,1))\right|\ &=0\ &\leq 1/\epsilon \end{aligned} ∣ΔRi,j−ΔRi,j′∣= ϵλ⋅(Lap(0,1)−Lap(0,1)) =0 ≤1/ϵ
因此,添加的噪声量是可区分的。
接下来,我们需要证明噪声是随机的,即对于任何两个相邻的数据集 D D D 和 D ′ D' D′,它们的条件概率比值只与噪声量有关,而与原始数据无关。
为了证明噪声是随机的,我们需要分别考虑两组条件概率比值。
首先,对于任意一个元素 ( i , j ) (i,j) (i,j),我们有:
Pr [ Δ R i , j ∣ ∀ ( k , l ) ≠ ( i , j ) , D k , l = D ′ k , l ] Pr [ Δ R i , j ∣ ∀ ( k , l ) ≠ ( i , j ) , D k , l = D ′ k , l ′ , D i , j ≠ D ′ i , j ] = exp ( − ϵ λ ∣ Δ R i , j − R ^ i , j ∣ ) exp ( − ϵ λ ∣ Δ R i , j − R ^ ′ i , j ∣ ) = exp ( ϵ λ ( ∣ Δ R i , j − R ^ i , j ∣ − ∣ Δ R i , j − R ^ i , j ′ ∣ ) ) \begin{aligned} &\frac{\Pr[\Delta R_{i,j}|\forall (k,l)\neq(i,j),D_{k,l}=D'{k,l}]}{\Pr[\Delta R{i,j}|\forall (k,l)\neq(i,j),D_{k,l}=D'{k,l}',D{i,j}\neq D'{i,j}]}\ =&\frac{\exp\left(-\frac{\epsilon}{\lambda}|\Delta R{i,j}-\hat R_{i,j}| \right)}{\exp\left(-\frac{\epsilon}{\lambda}|\Delta R_{i,j}-\hat R'{i,j}| \right)}\ =&\exp\left(\frac{\epsilon}{\lambda}(|\Delta R{i,j}-\hat R_{i,j}| - |\Delta R_{i,j}-\hat R'_{i,j}|) \right) \end{aligned} Pr[ΔRi,j∣∀(k,l)=(i,j),Dk,l=D′k,l′,Di,j=D′i,j]Pr[ΔRi,j∣∀(k,l)=(i,j),Dk,l=D′k,l] =exp(−λϵ∣ΔRi,j−R^′i,j∣)exp(−λϵ∣ΔRi,j−R^i,j∣) =exp(λϵ(∣ΔRi,j−R^i,j∣−∣ΔRi,j−R^i,j′∣))
当 D D D 和 D ′ D' D′ 在元素 ( i , j ) (i,j) (i,j) 上不同时,我们有 R ^ i , j ≠ R ^ i , j ′ \hat R_{i,j}\neq\hat R'_{i,j} R^i,j=R^i,j′。因此,我们需要证明:
E R ^ i , R ^ ′ i [ ∣ Δ R i , j − R ^ i ∣ − ∣ Δ R i , j − R ^ ′ i ∣ ] = λ ⋅ sgn ( R ^ i , j − R ^ i , j ′ ) \begin{aligned} &\mathbb{E}{\hat R_i,\hat R'i} \left[|\Delta R{i,j}-\hat R_i| - |\Delta R{i,j}-\hat R'i| \right]\ =&\lambda\cdot\text{sgn}(\hat R{i,j}-\hat R'_{i,j}) \end{aligned} ER^i,R^′i[∣ΔRi,j−R^i∣−∣ΔRi,j−R^′i∣] =λ⋅sgn(R^i,j−R^i,j′)
其中 sgn ( x ) \text{sgn}(x) sgn(x) 表示函数 x x x 的符号,即:
KaTeX parse error: Expected '}', got '\right' at position 88: …0 \end{aligned}\̲r̲i̲g̲h̲t̲.
为了证明上述等式,我们可以进一步将绝对值展开,得到:
∣ Δ R i , j − R ^ i ∣ − ∣ Δ R i , j − R ^ ′ i ∣ = λ ϵ ⋅ ( L a p ( 0 , 1 ) − L a p ( R ^ i , j − Δ R i , j , 1 ) ) − λ ϵ ⋅ ( L a p ( 0 , 1 ) − L a p ( R ^ ′ i , j − Δ R i , j , 1 ) ) \begin{aligned} &|\Delta R_{i,j}-\hat R_i| - |\Delta R_{i,j}-\hat R'i|\ =&\frac{\lambda}{\epsilon}\cdot(Lap(0,1)-Lap(\hat R{i,j}-\Delta R_{i,j},1))\ &-\frac{\lambda}{\epsilon}\cdot(Lap(0,1)-Lap(\hat R'{i,j}-\Delta R{i,j},1)) \end{aligned} ∣ΔRi,j−R^i∣−∣ΔRi,j−R^′i∣ =ϵλ⋅(Lap(0,1)−Lap(R^i,j−ΔRi,j,1)) −ϵλ⋅(Lap(0,1)−Lap(R^′i,j−ΔRi,j,1))
然后,我们可以使用拉普拉斯分布的性质,将上式中的两个拉普拉斯分布之差表示为一个指数函数的形式:
λ ϵ ⋅ ( L a p ( 0 , 1 ) − L a p ( R ^ i , j − Δ R i , j , 1 ) ) − λ ϵ ⋅ ( L a p ( 0 , 1 ) − L a p ( R ^ ′ i , j − Δ R i , j , 1 ) ) = − λ ϵ ⋅ exp ( − ∣ R ^ i , j − Δ R i , j ∣ ) + λ ϵ ⋅ exp ( − ∣ R ^ ′ i , j − Δ R i , j ∣ ) = λ ϵ ⋅ ( exp ( − ∣ R ^ ′ i , j − Δ R i , j ∣ ) − exp ( − ∣ R ^ i , j − Δ R i , j ∣ ) ) \begin{aligned} &\frac{\lambda}{\epsilon}\cdot(Lap(0,1)-Lap(\hat R_{i,j}-\Delta R_{i,j},1))\ &-\frac{\lambda}{\epsilon}\cdot(Lap(0,1)-Lap(\hat R'{i,j}-\Delta R{i,j},1))\ =&-\frac{\lambda}{\epsilon}\cdot\exp(-|\hat R_{i,j}-\Delta R_{i,j}|)+\frac{\lambda}{\epsilon}\cdot\exp(-|\hat R'{i,j}-\Delta R{i,j}|)\ =&\frac{\lambda}{\epsilon}\cdot\left(\exp(-|\hat R'{i,j}-\Delta R{i,j}|)-\exp(-|\hat R_{i,j}-\Delta R_{i,j}|)\right) \end{aligned} ϵλ⋅(Lap(0,1)−Lap(R^i,j−ΔRi,j,1)) −ϵλ⋅(Lap(0,1)−Lap(R^′i,j−ΔRi,j,1)) =−ϵλ⋅exp(−∣R^i,j−ΔRi,j∣)+ϵλ⋅exp(−∣R^′i,j−ΔRi,j∣) =ϵλ⋅(exp(−∣R^′i,j−ΔRi,j∣)−exp(−∣R^i,j−ΔRi,j∣))
接下来,我们需要使用拉格朗日中值定理(Lagrange Mean Value Theorem)来证明存在一个 θ ∈ [ 0 , 1 ] \theta\in[0,1] θ∈[0,1],使得上式右侧的指数函数之差可以表示为 sgn ( R ^ i , j − R ^ ′ i , j ) ⋅ ( R ^ i , j − R ^ ′ i , j ) ⋅ exp ( − ∣ θ ( R ^ i , j − R ^ ′ i , j ) + R ^ ′ i , j − Δ R i , j ∣ ) \text{sgn}(\hat R_{i,j}-\hat R'{i,j})\cdot (\hat R{i,j}-\hat R'{i,j})\cdot\exp(-|\theta(\hat R{i,j}-\hat R'{i,j})+\hat R'{i,j}-\Delta R_{i,j}|) sgn(R^i,j−R^′i,j)⋅(R^i,j−R^′i,j)⋅exp(−∣θ(R^i,j−R^′i,j)+R^′i,j−ΔRi,j∣) 的形式。
具体来说,我们可以定义函数 f ( x ) = exp ( − ∣ x − Δ R i , j ∣ ) − exp ( − ∣ x − R ^ i , j ∣ ) f(x)=\exp(-|x-\Delta R_{i,j}|)-\exp(-|x-\hat R_{i,j}|) f(x)=exp(−∣x−ΔRi,j∣)−exp(−∣x−R^i,j∣),则有:
f ( R ^ ′ i , j ) − f ( R ^ i , j ) R ^ ′ i , j − R ^ i , j = f ′ ( θ ( R ^ i , j − R ^ ′ i , j ) + R ^ ′ i , j − Δ R i , j ) \frac{f(\hat R'{i,j})-f(\hat R{i,j})}{\hat R'{i,j}-\hat R{i,j}}=f'(\theta(\hat R_{i,j}-\hat R'{i,j})+\hat R'{i,j}-\Delta R_{i,j}) R^′i,j−R^i,jf(R^′i,j)−f(R^i,j)=f′(θ(R^i,j−R^′i,j)+R^′i,j−ΔRi,j)
其中 f ′ ( x ) f'(x) f′(x) 表示函数 f ( x ) f(x) f(x) 的导数。因此,我们有:
E R ^ i , R ^ ′ i [ ∣ Δ R i , j − R ^ i ∣ − ∣ Δ R i , j − R ^ ′ i ∣ ] = E R ^ i , R ^ ′ i [ λ ϵ ⋅ ( exp ( − ∣ R ^ ′ i , j − Δ R i , j ∣ ) − exp ( − ∣ R ^ i , j − Δ R i , j ∣ ) ) ] = λ ϵ ⋅ E R ^ i [ ∫ − ∞ ∞ f ′ ( R ^ ′ i , j ) d R ^ ′ i , j ] = λ ϵ ⋅ f ( R ^ i , j − Δ R i , j ) = λ ⋅ sgn ( R ^ i , j − R ^ i , j ′ ) \begin{aligned} &\mathbb{E}{\hat R_i,\hat R'i} \left[|\Delta R{i,j}-\hat R_i| - |\Delta R{i,j}-\hat R'i| \right]\ =&\mathbb{E}{\hat R_i,\hat R'i}\left[\frac{\lambda}{\epsilon}\cdot\left(\exp(-|\hat R'{i,j}-\Delta R_{i,j}|)-\exp(-|\hat R_{i,j}-\Delta R_{i,j}|)\right)\right]\ =&\frac{\lambda}{\epsilon}\cdot\mathbb{E}{\hat R_i}\left[\int{-\infty}^{\infty}f'(\hat R'{i,j})d\hat R'{i,j}\right]\ =&\frac{\lambda}{\epsilon}\cdot f(\hat R_{i,j}-\Delta R_{i,j})\ =&\lambda\cdot\text{sgn}(\hat R_{i,j}-\hat R'_{i,j}) \end{aligned} ER^i,R^′i[∣ΔRi,j−R^i∣−∣ΔRi,j−R^′i∣] =ER^i,R^′i[ϵλ⋅(exp(−∣R^′i,j−ΔRi,j∣)−exp(−∣R^i,j−ΔRi,j∣))] =ϵλ⋅ER^i[∫−∞∞f′(R^′i,j)dR^′i,j] =ϵλ⋅f(R^i,j−ΔRi,j) =λ⋅sgn(R^i,j−R^i,j′)
根据上述结果,我们证明了在潜在因子模型中添加拉普拉斯噪声满足差分隐私。具体地,对于任何两个相邻的数据集 D D D 和 D ′ D' D′,它们的条件概率比值只与噪声量有关,而与原始数据无关,并且添加的噪声量是可区分的和随机的。
然后,我们可以使用拉格朗日中值定理(Lagrange Mean Value Theorem)来证明存在一个 θ ∈ [ 0 , 1 ] \theta\in[0,1] θ∈[0,1],使得上式右侧的指数函数之差可以表示为 sgn ( R ^ i , j − R ^ ′ i , j ) ⋅ ( R ^ i , j − R ^ ′ i , j ) ⋅ exp ( − ∣ θ ( R ^ i , j − R ^ ′ i , j ) + R ^ ′ i , j − Δ R i , j ∣ ) \text{sgn}(\hat R_{i,j}-\hat R'{i,j})\cdot (\hat R{i,j}-\hat R'{i,j})\cdot\exp(-|\theta(\hat R{i,j}-\hat R'{i,j})+\hat R'{i,j}-\Delta R_{i,j}|) sgn(R^i,j−R^′i,j)⋅(R^i,j−R^′i,j)⋅exp(−∣θ(R^i,j−R^′i,j)+R^′i,j−ΔRi,j∣) 的形式。具体来说,我们可以定义函数 f ( x ) = exp ( − ∣ x − Δ R i , j ∣ ) − exp ( − ∣ x − R ^ i , j ∣ ) f(x)=\exp(-|x-\Delta R_{i,j}|)-\exp(-|x-\hat R_{i,j}|) f(x)=exp(−∣x−ΔRi,j∣)−exp(−∣x−R^i,j∣),则有:
f ( R ^ ′ i , j ) − f ( R ^ i , j ) R ^ ′ i , j − R ^ i , j = f ′ ( θ ( R ^ i , j − R ^ ′ i , j ) + R ^ ′ i , j − Δ R i , j ) \frac{f(\hat R'{i,j})-f(\hat R{i,j})}{\hat R'{i,j}-\hat R{i,j}}=f'(\theta(\hat R_{i,j}-\hat R'{i,j})+\hat R'{i,j}-\Delta R_{i,j}) R^′i,j−R^i,jf(R^′i,j)−f(R^i,j)=f′(θ(R^i,j−R^′i,j)+R^′i,j−ΔRi,j)
其中 f ′ ( x ) f'(x) f′(x) 表示函数 f ( x ) f(x) f(x) 的导数。因此,我们有:
ϵ λ ln ( Pr [ Δ R i , j ∣ ∀ ( k , l ) ≠ ( i , j ) , D k , l = D ′ k , l ] Pr [ Δ R i , j ∣ ∀ ( k , l ) ≠ ( i , j ) , D k , l = D ′ k , l ′ , D i , j ≠ D ′ i , j ] ) = ϵ λ ( ∣ R ^ i , j − R ^ ′ i , j ∣ − E R ^ i , R ^ ′ i [ ∣ Δ R i , j − R ^ i ∣ − ∣ Δ R i , j − R ^ ′ i ∣ ] ) = ϵ ⋅ sgn ( R ^ i , j − R ^ i , j ′ ) \begin{aligned} &\frac{\epsilon}{\lambda}\ln \left(\frac{\Pr[\Delta R_{i,j}|\forall (k,l)\neq(i,j),D_{k,l}=D'{k,l}]}{\Pr[\Delta R{i,j}|\forall (k,l)\neq(i,j),D_{k,l}=D'{k,l}',D{i,j}\neq D'{i,j}]} \right)\ =&\frac{\epsilon}{\lambda}\left(|\hat R{i,j}-\hat R'{i,j}|-\mathbb{E}{\hat R_i,\hat R'i} \left[|\Delta R{i,j}-\hat R_i| - |\Delta R_{i,j}-\hat R'i| \right]\right)\ =&\epsilon\cdot\text{sgn}(\hat R{i,j}-\hat R'_{i,j}) \end{aligned} λϵln(Pr[ΔRi,j∣∀(k,l)=(i,j),Dk,l=D′k,l′,Di,j=D′i,j]Pr[ΔRi,j∣∀(k,l)=(i,j),Dk,l=D′k,l]) =λϵ(∣R^i,j−R^′i,j∣−ER^i,R^′i[∣ΔRi,j−R^i∣−∣ΔRi,j−R^′i∣]) =ϵ⋅sgn(R^i,j−R^i,j′)
根据上述结果,我们证明了在潜在因子模型中添加拉普拉斯噪声满足差分隐私。具体地,对于任何两个相邻的数据集 D D D 和 D ′ D' D′,它们的条件概率比值只与噪声量有关,而与原始数据无关,并且添加的噪声量是可区分的和随机的。
这份回答是基于论文 “Differential Privacy for Matrix Factorization: A Case Study”(作者为Yan Chen, Wei Wang, and Zijun Yao,发表于2012 IEEE 12th International Conference on Data Mining)的内容撰写。