Local Obfuscation Mechanisms for Hiding Probability Distributions
Local Obfuscation Mechanisms for Hiding Probability Distributions
复制标题
隐藏概率分布的局部混淆机制
DOI：
10.1007/978-3-030-29959-0_7
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Yusuke Kawamoto and Takao Murakami
中科院分区：
文献类型：
--
作者：
Kohei Nishino;Takashi Kitamura;Tomoji Kishi;Cyrille Artho;Yutaka Matsuno;Yusuke Kawamoto and Takao Murakami
引入了概率分布信息泄漏的形式化模型，并将分布隐私定义为概率分布的局部微分隐私。粗略地说，本地混淆机制的分布隐私意味着攻击者无法通过观察其输出来显著获得有关该机制输入分布的任何信息。然后，我们证明了现有的局部机制可以在分布隐私方面隐藏输入分布，同时由于添加了太多的噪声而降低了效用。例如，我们证明拉普拉斯机制需要添加大量的噪声，这些噪声与我们想要使两个分布无法区分的无限Wasserstein距离成比例。为了改善分布隐私性和实用性之间的权衡，我们引入了一种局部混淆机制，称为tupling机制，该机制将随机虚拟数据添加到输出中。然后将该机制应用于基于位置的服务中用户属性的保护。通过实验，我们证明了该双元机制在属性混淆和服务质量方面优于流行的局部机制。
We introduce a formal model for the information leakage of probability distributions and define a notion called distribution privacy as the local differential privacy for probability distributions. Roughly, the distribution privacy of a local obfuscation mechanism means that the attacker cannot significantly gain any information on the distribution of the mechanism’s input by observing its output. Then we show that existing local mechanisms can hide input distributions in terms of distribution privacy, while deteriorating the utility by adding too much noise. For example, we prove that the Laplace mechanism needs to add a large amount of noise proportionally to the infinite Wasserstein distance between the two distributions we want to make indistinguishable. To improve the tradeoff between distribution privacy and utility, we introduce a local obfuscation mechanism, called a tupling mechanism, that adds random dummy data to the output. Then we apply this mechanism to the protection of user attributes in location based services. By experiments, we demonstrate that the tupling mechanism outperforms popular local mechanisms in terms of attribute obfuscation and service quality.
登录
查看更多内容
DOI：
10.1109/tifs.2016.2632069
发表时间：
2017-04
影响因子：
6.8
作者：
Y. Sei;Akihiko Ohsuga
通讯作者：
Y. Sei;Akihiko Ohsuga
DOI：
--
发表时间：
2018-07
期刊：
--
影响因子：
--
作者：
Takao Murakami;Yusuke Kawamoto
通讯作者：
Takao Murakami;Yusuke Kawamoto
用于本地私有计算的基于配置文件的隐私
DOI：
10.1109/isit.2019.8849549
发表时间：
2019
期刊：
2019 IEEE International Symposium on Information Theory (ISIT)
影响因子：
--
作者：
J. Geumlek;Kamalika Chaudhuri
通讯作者：
Kamalika Chaudhuri
从 GPS 数据中联合学习用户的活动和个人资料
DOI：
10.1145/1629890.1629894
发表时间：
2009
期刊：
--
影响因子：
--
作者：
V. Zheng;Yu Zheng;Qiang Yang
通讯作者：
Qiang Yang