8、本地差分隐私在分类算法私密构建中的应用

本地差分隐私在分类算法私密构建中的应用

1. 引言

随着信息技术的飞速发展，用户数据的收集量急剧增加。全球创建的数据量呈指数级增长，2010 年为 15 泽字节，2020 年达到 64 泽字节，预计 2025 年将达到 168 泽字节。为了从海量数据中提取有价值的信息，需要使用数据驱动的决策技术。分类算法在数据分析中是非常有效的工具，可利用以往经验在新情况下做出精确决策，广泛应用于医疗图像分析、自然语言处理、生物识别、垃圾邮件检测和智能电网等领域。

然而，由于隐私问题，数据所有者通常不愿意将原始数据共享给第三方，这使得分类算法难以获得大量数据进行准确训练。目前，保护用户隐私的分类器构建方法主要分为三类：
- 基于加密的方法 ：主要在加密输入上寻找模型参数，但在执行运行时间和带宽使用方面缺乏可扩展性。
- 数据匿名化技术 ：在数据发布前对其进行扰动，如 k - 匿名性、ℓ - 多样性和 t - 接近性，但这些技术被批评为不能很好地保护用户隐私。
- 差分隐私（DP）和本地差分隐私（LDP） ：提供了严格的隐私保证，通过向公开数据中添加系统噪声来保留原始数据的一些统计特性。特别是 LDP，它能在数据发送到第三方之前，在用户自己的设备上保证隐私，因此在隐私数据的分析中越来越受到关注。

在 LDP 环境下，已有一些分类算法得到了训练，但目前缺乏对这些分类器性能的比较。本研究旨在回答以下问题：
- LDP 机制的选择如何影响基于 LDP 的分类器的性能？
- 数据集的哪些属性会影响基于 LDP 的分类器的性能？
- 隐