个性化本地差分隐私 k-means

抵制推理攻击

在本地扰动用户数据以满足个性化隐私需求，并通过迭代质心扰动算法提升聚类可用性。

Yuling, Luo · Zhangrui, Wang · 张顺生 · Junxiu, Liu

Lecture Notes in Computer Science 2023

技术优势

不依赖可信服务器

在本地端对用户数据进行扰动，第三方服务器始终无法接触真实数据，从根源上消除服务器恶意行为导致的泄露。

满足个性化隐私

算法考虑每位用户不同的隐私需求，按个人预算进行扰动，而不是对所有用户使用统一隐私参数。

抵抗推理攻击

通过迭代质心扰动算法和隐私预算分配序列，同时提升聚类可用性并抵抗推理攻击。

应用场景

• 隐私保护数据挖掘：在不暴露个体数据的前提下执行聚类分析，保护用户隐私。
• 安全多方计算：通过本地扰动避免直接共享原始数据，实现多方参与的安全计算。
• 联邦学习：在本地扰动数据后再进行迭代聚类，可作为联邦场景下的隐私保护方案。
• 差分私有机器学习：为机器学习中的聚类任务提供满足个性化本地差分隐私的算法实现。