差分隐私对促进种族和民族多元化小学的影响
摘要：在数据和人工智能时代，随着隐私威胁的日益严重，美国人口普查局最近采用了差分隐私，这是2020年人口普查发布的隐私保护事实标准。执行差分隐私需要在发布之前向敏感的人口统计信息添加经过精确标定的随机噪声。这一变化有可能对政策决策产生影响，例如政治重划选区和其他重大实践，部分原因是根据美国政府发布的数据集（如人口普查数据）分配了巨额联邦资金和资源。这类数据的一个未充分研究但重要的应用是重新划定学校的入学边界，以促进人口统计分离程度较低的学校。在这项研究中，我们询问：差分隐私如何影响在促进多样性方面的边界，包括结果上的隔离程度、学生旅行时间和学校转学要求？通过在67个乔治亚区使用差分私密学生人数模拟替代边界，我们发现增加数据隐私要求会减少替代边界可能降低隔离并促进更多样化和一体化学校的程度，主要是通过减少在边界变化下转学的学生人数。对旅行时间的影响很小。这些发现指出，地方教育决策者在未来几年可能面临隐私多样性的权衡，特别是在计算方法越来越有望促进划定学校入学边界以追求较少隔离的学校的情况下。
作者：Keyu Zhu, Nabeel Gillani, Pascal Van Hentenryck
论文ID：2305.07762
分类：Computers and Society
分类简称：cs.CY
提交时间：2023-05-16