关于在本地差分隐私下收集多维数据的风险
摘要：多属性的频率估计是一个基本的统计问题。实现此目标的一种可能方法是依赖差分隐私的本地模型（LDP）。已经开发了许多用于单属性和多属性频率估计任务的LDP协议。这些研究主要集中在改进算法的效用，以确保服务器准确地执行估计。在本文中，我们研究了针对多维数据的LDP协议的隐私威胁（再识别和属性推断攻击），并对两种最先进的多属性频率估计解决方案进行了调查。为了扩大研究范围，我们还实验评估了五种广泛使用的LDP协议，它们分别是广义随机响应、最优本地哈希、子集选择、RAPPOR和最优一元编码。最后，我们还提出了一种对抗已确定的威胁提供了改进效用和鲁棒性的对策。我们的研究成果有助于从事私密收集用户统计信息的实践者决定哪种LDP机制最适合其需求。
作者：H''eber H. Arcolezi, S''ebastien Gambs, Jean-Franc{c}ois Couchot, Catuscia Palamidessi
论文ID：2209.01684
分类：Cryptography and Security
分类简称：cs.CR
提交时间：2023-08-02