Core Concepts
Ein generalisiertes Shuffle-Framework ermöglicht eine breitere Exploration des Datenschutz-Nutzen-Verhältnisses.
Abstract
Das allgemeine Shuffle-Modell für lokale differentielle Privatsphäre wird vorgestellt, um den Datenschutz zu verstärken und die Nützlichkeit zu verbessern. Es wird eine umfassende Analyse des Modells vorgestellt, das auf personalisierte Datenschutzparameter abzielt. Durch die Verwendung von Funktionaler Differentieller Privatsphäre wird die Distanz zwischen zwei multivariaten Verteilungen analysiert. Das Framework ermöglicht die Entwicklung von Algorithmen für verschiedene Analyseaufgaben und zeigt eine überlegene Leistung gegenüber bestehenden Methoden.
Abstract
Das Shuffle-Modell der lokalen differentiellen Privatsphäre
Generalisiertes Shuffle-Framework für beliebige (ϵi, δi)-PLDP-Einstellungen
Beweis für die Erhaltung von µ-Gaussischer Differentieller Privatsphäre
Einführung
Shuffle-Modell als modernste Technik für Datenschutz und Nützlichkeit
Lokale differentielle Privatsphäre als Alternative zum vertrauenswürdigen Serveransatz
Datenschutzanalyse des GSPA-Frameworks
Lokale Zufallsmechanismen, vertrauenswürdiger Shuffler und Aggregator
Beweis für die Erhaltung von µ-Gaussischer Differentieller Privatsphäre
Anwendung und Experimente
Anwendung auf Mittel- und Häufigkeitsschätzung
Personalisiertes privates stochastisches Gradientenabstiegsverfahren
Stats
Wir beweisen, dass das generalisierte Shuffle-Framework µ-GDP erhält.
Quotes
"Das Shuffle-Modell bietet eine ausgewogene Lösung für Datenschutz und Nützlichkeit."
"Unsere Methode übertrifft bestehende Ansätze in der Erreichung starker zentraler Datenschutzgarantien."