本地化差分隐私保护的实现机制（三）

最新推荐文章于 2023-01-10 10:39:16 发布

Ano_onA

最新推荐文章于 2023-01-10 10:39:16 发布

阅读量3.7k

点赞数 3

分类专栏： Differential Privacy 文章标签：本地化差分隐私实现机制差分隐私实现机制 Local Differential Privacy

本文链接：https://blog.csdn.net/Ano_onA/article/details/102153847

版权

Differential Privacy 专栏收录该内容

5 篇文章 42 订阅

订阅专栏

下面是该篇论文提出的第二种解决方法：Hybrid Mechanism（混合机制）（简称HM）。

如上篇文章所讨论的，PM的最坏情况下的结果精度优于Laplace机制的精度，但是它仍然比Duchi等人的解决方案稍差一点，因为前者引起的噪声方差随 $|t_{i}|$ 的减小而减小，Duchi等人的解决方案会随着 $|t_{i}|$ 的减小而为增加。那能否构造一种既保留PM优势又同时不比Duchi等人的解决方案差的方法？答案是肯定的：可以将PM和Duchi等人的解决方案结合到一个新的混合机制（HM）中。结果，HM的噪声方差通常小于PM和Duchi等人的解决方案，如图所示：

在给定输入值 $t_{i}$ 的情况下和 $\epsilon$ ，HM引起的噪声方差为：

$\sigma _{H}^{2}(t_{i},\epsilon )=\alpha \cdot \sigma _{P}^{2}(t_{i},\epsilon )+(1-\alpha )\sigma _{D}^{2}(t_{i},\epsilon )$
上篇文章提到，当 $\epsilon$ ≥ 1.29时，PM的最坏情况方差明显小于Duchi等人的解；当 $\epsilon$ < 1.29时，PM的最差方差仅略大于后者。所以 $\alpha$ 就相当于 $\epsilon$ 大于某一值（例如1.29）时的概率，而大于该值的输入用PM进行扰动；小于该值的输入用Duchi等人的解决方案进行扰动。其中， $\sigma _{P}^{2}(t_{i},\epsilon )$ 和 $\sigma _{D}^{2}(t_{i},\epsilon )$ 分别表示给定 $t_{i}$ 和作为输入时PM和Duchi等人的解决方案引起的噪声方差。

引理3：让 $\epsilon ^{\ast }$ 定义为：

若 $\underset{t_{i}\in [-1,1]}{max}\sigma _{H}^{2}(t_{i},\epsilon )$ 想取最小值，则需满足（论文未给出证明^_^）。而当α满足上述分段函数时，HM的最坏情况噪声方差为：

上式即： $\epsilon > \epsilon ^{*}$ 时，最小方差采用PM的最小方差； $\epsilon \leq \epsilon ^{*}$ 最小方差采用Duchi等人的解决方案。

推论1：假设α满足分段函数，

$\epsilon >\epsilon ^{*}$ ，则：

$\epsilon \leq \epsilon ^{*}$ ，则：

下图的红线显示了HM引起的最坏情况下的噪声方差，该方差始终不高于其他所有三种方法（对于 $\epsilon >\epsilon ^{*}$ ，HM≤Duchi等人的解决方案）。此外，请注意PM的精度接近HM，这证明了PM的有效性。

至此，论文中差分隐私实现机制的内容就结束了，多维数据收集和分析的方法放到以后在讲吧。

That's all, good luck.

Ano_onA

关注

3
点赞
踩
16

收藏

觉得还不错? 一键收藏
3
评论
本地化差分隐私保护的实现机制（三）

下面是该篇论文提出的第二种解决方法：Hybrid Mechanism（混合机制）（简称HM）。如上篇文章所讨论的，PM的最坏情况下的结果精度优于Laplace机制的精度，但是它仍然比Duchi等人的解决方案稍差一点，因为前者引起的噪声方差随的减小而减小，Duchi等人的解决方案会随着的减小而为增加。那能否构造一种既保留PM优势又同时不比Duchi等人的解决方案差的方...
复制链接

扫一扫

专栏目录