标签：采样 Handling LDP Missing Privacy 用户 隐私 扰动 数据

0.abstract

LDP近年来受到广泛关注。现有的LDP保证的协议中，用户在将数据分享给聚合器之前，在本地对数据进行编码和扰动。然而，由于对于不同问题的不同隐私保护偏好，用户不愿意回答所有的问题。在本论文中，我们提出了一种方法来解决数据扰动的挑战，同时考虑用户的隐私偏好。具体来说，我们首先在LDP的框架上提出了一种双向采样技术值扰动。然后，我们结合双采样机制和用户隐私偏好，以避免丢失数据的扰动。理论分析和一组数据集上的实验证明所提机制的有效性。

1.introduction

LDP已经作为一种解决方法对于隐私保护数据收集和分析，因为他提供了可证明的隐私保护。LDP保证的协议一般可以分为Encode-Perturb-Aggregate范式。用户将数据编码成一种特俗的数据格式，然后出于隐私考虑扰动编码值，最后，所有扰动的值聚合到不信任的收集者。

虽然LDP可以平衡用户的隐私和数据可用性，但是现存的方法认为被调查的用户会遵循收集过程的真实性。然而，在调查过程中，用户可能拒绝吐露一些问题，由于一下担心：1）隐私保护水平不符合预期；2）用户仅仅就是不想告诉。由于扰动机制需要输入，所以用户可能会随机选择答案（或者NO）来进行扰动（我们称其为假答案）。在扰动空间中，假答案会导致回避偏见。在论文中，我们考虑了“提供空值”应用程序去考虑假答案。首次考虑了用户协作对估计精度的理解，首次提出了双采样样本机制并将其用于数值扰动，然后将双向样本推广到空值扰动。

创新点：

• 第一次考虑到并不是所有的用户都会提供真实数据，提出的缺失数据扰动框架为提高数据可用性提供了新的见解。
• 我们提出了一种数据扰动的双向采样机制。可以代替Harmony进行均值估计。此外，扩展了双样本，能够扰动空值数据。
• 提出的框架可以估计在隐私预算下提供真实数据用户的比率，双采样机制可以研究如火如荼通过聚合器去设置合理的隐私预算。

标签：采样,Handling,LDP,Missing,Privacy,用户,隐私,扰动,数据
来源： https://www.cnblogs.com/20189223cjt/p/12451820.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。