小样本场景下本地个性化差分隐私保护方案

摘要

本地化差分隐私因无需可信第三方、交互少、效率高而备受关注。但传统本地化差分隐私技术需要大量样本保证较好的统计特性。样本有限时，尤其是个性化隐私保护下，该技术统计估计精度大幅下降。为此，提出针对小样本数据集及用户个性化隐私需求的本地个性化差分隐私保护方案。终端用户可自由选择隐私保护级别，采用最佳的个性化随机扰动策略，在聚合端引入直接合并与基于最小均方误差的加权合并两种聚合方法。通过构建基于最小均方误差的优化函数，推导出不同隐私预算下的最佳扰动策略，包括最佳扰动概率和最佳传输参数长度。基于模拟和真实数据集的仿真实验结果表明，所提方案能提高超30%的统计估计精度，且在小样本数据集下具有较低的复杂度。

关键词

本地化差分隐私 / 个性化隐私保护 / 小样本场景 / 数据聚合 / 最小均方误差