满足本地差分隐私的分类变换扰动机制

摘 要 本地差分隐私作为一种隐私保护技术，被广泛用于连续数值型数据的均值估计，使用的扰动机制将直接影响均值的准确度.为进一步提高均值估计的准确性，提出了一种满足差分隐私的分类变换扰动机制.该机制对连续数值型数据划分变换范围并进行分段，根据分段将其变换为1维二元分类数据.转换后使用随机响应机制进行扰动，再根据扰动后的数据标识的数值段从中随机均匀抽取数值作为扰动值.在真实数据和合成数据中的均值估计实验结果表明该机制极大地提高了准确性.除此之外，将分类变换扰动机制用于构建满足本地差分隐私的小批量梯度下降算法，并完成线性回归学习任务，实验结果证明该方法同样优于其他已有机制，可得到更小的均方误差.

关键词 本地差分隐私；数据转换；均值估计；小批量梯度下降；随机响应

随着云计算和大数据技术的发展，用户端产生的海量数据被服务器收集起来进行各种数据分析任务.虽然对这些数据进行分析可以为人们带来可观的效益，但是却造成了用户隐私暴露的问题.差分隐私由于其强大的隐私保障已经成为了一种标准的隐私保护模型.随着差分隐私的广泛使用，服务器变得越来越重要.然而，在真实世界中保证所有服务器都是可信的是不实际的，而不可信的服务器可能会因为某些原因泄露用户的隐私.