基于多变量信源编码的隐私效用均衡方法

在大数据时代,数据提供者需要保证自身隐私,数据分析者要挖掘数据潜在价值,寻找数据隐私性与数据可用性间的均衡关系成为研究热点。现有方法多数关注隐私保护方法本身,而忽略了隐私保护方法对数据可用性的影响。在对隐私效用均衡方法研究现状分析的基础上,针对数据集中不同公开信息对隐私保护需求不同的问题,提出基于多变量信源编码的隐私效用均衡方法,并给出隐私效用均衡区域。分析表明,隐私信息与公开信息的关联度越大,对公开信息扰动程度的增加会显著提高隐私保护效果。同时,方差较大的变量对应的公开信息,可选择较小的扰动,确保公开信息可用性较大。

基于率失真的差分隐私效用优化模型

隐私保护与数据效用矛盾问题的解决方案是隐私保护领域中的一个研究热点.针对差分隐私离线数据发布场景中的隐私与效用平衡问题,利用率失真理论研究了平衡隐私与数据效用的最优化差分隐私机制.首先,基于Shannon通信理论抽象差分隐私的噪声信道模型,以互信息量与失真函数度量数据发布的隐私与效用,构建基于率失真理论的最优化模型.其次,考虑关联辅助背景知识对互信息隐私泄露的影响,提出基于联合事件的互信息隐私度量,并进一步修改率失真函数提出最小化隐私泄露模型.最后,针对Lagrange求解过程中计算困难性问题,基于Blahut-Arimoto交替最小化算法提出了互信息隐私最优化信道机制的近似求解算法.通过实验仿真,验证了所提出的迭代近似计算方法的有效性.同时,实验结果表明所提出的方法比对称离散信道机制在限失真条件下互信息隐私泄露量平均降低了21.7%,在相同的隐私容忍度条件下,数据效用提升了38.3%.

兼顾通信效率与效用的自适应高斯差分隐私个性化联邦学习

近年来,由于联邦学习中的通信参数(或梯度)会给参与方本地敏感数据带来重大的隐私泄露风险,联邦学习隐私保护引起了广泛的关注.然而,梯度交换频繁、数据分布异构、参与方本地硬件资源受限等一系列不可避免的因素给联邦学习隐私保护增加了挑战难度.为了以一种统一的方式同时有效地解决数据隐私、模型效用、通信效率以及参与方数据非独立同分布等四个方面的问题,本文提出了一种新的兼顾通信效率与效用的自适应高斯差分隐私个性化联邦学习(Communication-efficient and Utility-aware Adaptive Gaussian Differential Privacy for Personalized Federated Learning,CUAG-PFL)方法.具体而言,本文提出一种动态层级压缩模型梯度的方案先为通信模型梯度每一层动态生成特定的压缩率,再根据压缩率构造对应的确定性二进制测量矩阵去除梯度冗余信息.随后,通过同时优化裁剪阈值、敏感度和噪声尺度等隐私相关参数来对压缩的模型梯度执行自适应高斯差分隐私操作.此外,本文对CUAG-PFL进行了严格的隐私分析.为了验证CUAG-PFL在隐私、效用、通信效率以及个性化四个方面的优势,本文在CIFAR-10和CIFAR-100两个真实联邦数据集上进行了大量实验模拟、对比和分析,结果表明CUAG-PFL能够提高参与方本地数据隐私性、通信效率和模型效用,同时解决了数据非独立同分布的问题.特别地,即使在隐私预算仅为0.92且上行通信量减少68.6%时,CUAG-PFL因隐私保护和梯度压缩所引起的模型效用损失仅为1.66%.

面向实时位置的隐私保护优化与加速求解算法

现有的电动汽车API平台(如SmartCar)使用访问控制机制来保护用户的隐私.为了在启用不可信位置服务功能的同时保护位置隐私,位置隐私保护机制(LPPM)根据用户的真实位置生成一个随机的伪位置作为报告位置.现有技术通过在离散网格上解决一个最优化问题构建一个最佳的LPPM,该最佳LPPM实现了在最低可容忍效用限制下的最高隐私,反之亦然.然而,它们很难直接应用于电动汽车等实时场景,因为生成最佳LPPM所需的运行时间太长(可能需要数天).另一个问题涉及构建出的LPPMs的最佳性.揭示了一些意外情况(异常),即在粒度更高的细网格上构建的最佳LPPM效用比在粒度较低的粗网格上差.引入了粒度独立性作为有效解决方法,提出了一个名为Divide-and-Coin的最佳LPPM,其可以实时执行.Divide-and-Coin将生成最佳报告位置的运行时间从至少O(n^(2.055))缩短到O(log n),其中n是报告位置的数量.实验结果显示,Divide-and-Coin可以在1s内从城市级区域生成建筑级别的最佳报告位置.

从隐私计算到转换意愿:基于“风险—效用”的交互效应和隐私关注的中介效应考察

平台用户的隐私风险感知会影响用户的平台转换意愿,但心理过程机制尚待明确,用户对于隐私“风险-效用”的权衡是否会改变或抵消转换意愿也值得关注。本文对具有移动购物APP使用经验的用户进行数据收集,使用PROCESS模型分析隐私风险感知和隐私效用感知及其交互项对隐私关注和转换意愿的影响效应。研究发现,隐私风险感知和隐私效用感知显著正向影响转换意愿;两者交互项影响转换意愿和隐私关注;隐私关注在隐私风险感知和隐私效用感知对转换意愿的作用中发挥中介作用。本研究明确了“隐私计算-隐私关注-转换意愿”的心理过程机制,证实了隐私风险感知和隐私效用感知的交互项对转换意愿存在挤压效应。

可穿戴设备流数据的隐私保护发布

针对可穿戴设备流数据可能泄露个人隐私的问题,提出了一种基于自编码器和时频变换的隐私保护数据发布方法。通过分块离散余弦变换将滑动窗口数据变换为频谱数据,再通过自编码器实现脱敏变换,最后由重构的频谱数据逆变换回滑动窗口数据。利用预训练的活动识别与身份识别分类器评估自编码器输出结果的效用性和隐私性,通过多目标损失函数与反向传播更新自编码器权重。在Motion-Sense数据集上的实验结果表明,在重构数据上活动识别的F_(1)-score由0.944降低至0.940,而身份识别的F_(1)-score由0.908降低至0.673,重构加速度数据与原数据之间的均方误差为0.27。与同类算法相比,该算法能够更好地保留数据的效用性以及提高数据的安全性。