Towards Personalized Privacy-Preserving Truth Discovery Over Crowdsourced Data Streams
Towards Personalized Privacy-Preserving Truth Discovery Over Crowdsourced Data Streams
复制标题
通过众包数据流实现个性化隐私保护真相发现
DOI：
10.1109/tnet.2021.3110052
复制
发表时间：
2022-02
期刊：
影响因子：
--
通讯作者：
Ju Ren
中科院分区：
文献类型：
--
作者：
Xiaoyi Pang;Zhibo Wang;Defang Liu;John C. S. Lui;Qian Wang;Ju Ren
真理发现是一种有效的范式，它可以从有冲突的众包数据中揭示真理，使数据驱动的决策系统能够做出快速而明智的决策。越来越多的隐私问题促使用户在外包之前对其私人数据进行扰动或加密，这对真相发现提出了重大挑战。虽然已经提出了一些隐私保护的真相发现机制，他们没有考虑到个人隐私的期望。在这项工作中，我们提出了一种新的个性化的隐私保护的真相发现（PPPTD）框架在众包数据流，以实现及时和准确的真相发现，同时保证个人隐私的保护。PPPTD的关键挑战在于通过个性化保护级别提高扰动流数据的真值估计的准确性。为了解决这些挑战，我们首先开发个性化预算初始化机制来量化每个用户的隐私保护需求，并根据用户的隐私需求为用户分配个性化的隐私预算。然后，我们提出了一个偏差感知加权聚合方法，以提高从不同程度的扰动流数据的真理发现的准确性。为了实现隐私效用的权衡，我们进一步提出了一个影响感知的自适应预算调整机制，自适应地重新分配隐私预算的基础上，他们的影响力的演变加权聚合的用户。我们证明了PPPTD可以实现$-差分隐私的整个数据产生的用户和满足个人个性化的隐私要求。在两个真实数据集上的大量实验证明了PPPTD的有效性。
Truth discovery is an effective paradigm which could reveal the truth from crowdsouced data with conflicts, enabling data-driven decision-making systems to make quick and smart decisions. The increasing privacy concern promotes users to perturb or encrypt their private data before outsourcing, which poses significant challenges for truth discovery. Although several privacy-preserving truth discovery mechanisms have been proposed, none of them take personal privacy expectation into consideration. In this work, we propose a novel personalized privacy-preserving truth discovery (PPPTD) framework over crowdsourced data streams to achieve timely and accurate truth discovery while guaranteeing the protection of individual privacy. The key challenges of PPPTD lie in improving the accuracy of truth estimation from the perturbed streaming data with personalized protection level. To address these challenges, we first develop a personalized budget initialization mechanism to quantify each user’s privacy protection requirement, and allocate personalized privacy budgets to users according to their privacy requirements. Then we propose a deviation-aware weighted aggregation method to improve the accuracy of truth discovery from streaming data with varying degrees of perturbation. In order to achieve privacy-utility tradeoff, we further propose an influence-aware adaptive budget adjustment mechanism that adaptively re-allocates privacy budgets to users based on the evolution of their influence in the weighted aggregation. We prove that PPPTD can achieve $epsilon $ -differential privacy over the whole data generated by users and satisfy individual personalized privacy requirements. Extensive experiments on two real-world datasets demonstrate the effectiveness of PPPTD.
登录
查看更多内容
DOI：
10.1109/sarnof.2016.7846745
发表时间：
2016-09
期刊：
2016 IEEE 37th Sarnoff Symposium
影响因子：
--
作者：
Md. Zakirul Alam Bhuiyan;Jie Wu
通讯作者：
Md. Zakirul Alam Bhuiyan;Jie Wu
DOI：
10.1109/tpds.2016.2515092
发表时间：
2016-10
影响因子：
5.3
作者：
W. Ouyang;Lance M. Kaplan;Alice Toniolo;M. Srivastava;T. Norman
通讯作者：
W. Ouyang;Lance M. Kaplan;Alice Toniolo;M. Srivastava;T. Norman
DOI：
10.1109/infocom.2018.8486371
发表时间：
2018-04
期刊：
IEEE INFOCOM 2018 - IEEE Conference on Computer Communications
影响因子：
--
作者：
Xiaoting Tang;Cong Wang-;Xingliang Yuan;Qian Wang
通讯作者：
Xiaoting Tang;Cong Wang-;Xingliang Yuan;Qian Wang
DOI：
10.1609/aaai.v28i2.19016
发表时间：
2014-07
期刊：
--
影响因子：
--
作者：
B. Aydin;Y. Yilmaz;Yaliang Li;Qi Li;Jing Gao;M. Demirbas
通讯作者：
B. Aydin;Y. Yilmaz;Yaliang Li;Qi Li;Jing Gao;M. Demirbas
DOI：
--
发表时间：
2012
期刊：
--
影响因子：
--
作者：
Bo Zhao;Jiawei Han
通讯作者：
Bo Zhao;Jiawei Han