Differenziell private Veröffentlichung von hochdimensionalen Daten unter Verwendung von Sensitivitätskontrolle

In diesem Papier stellen wir DPSense vor, einen Ansatz zur Veröffentlichung statistischer Informationen aus Datensätzen unter differentialer Privatsphäre über Sensitivitätskontrolle. Genauer gesagt betrachten wir das Problem der Veröffentlichung von Spaltenanzahlen für hochdimensionale Datensätze, wie z.B. Abfrageprotokolle oder den Netflix-Datensatz. Die zentrale Herausforderung besteht darin, dass bei hoher Sensitivität hohe Geräuschpegel hinzugefügt werden müssen, um die differenzielle Privatsphäre zu gewährleisten. Wir untersuchen, wie Sensitivitätskontrolle effektiv durchgeführt werden kann, d.h. die Beiträge jedes Tupels im Datensatz zu begrenzen. Wir führen eine neuartige Qualitätssensitivitätsfunktion mit niedriger Sensitivität ein, die es ermöglicht, ein Beitragslimit effektiv zu wählen, während die differenzielle Privatsphäre gewahrt bleibt. Basierend auf DPSense schlagen wir außerdem eine Erweiterung vor, um den Unterschätzungsbias zu korrigieren, die wir DPSense-S nennen. Experimentelle Ergebnisse zeigen, dass unsere vorgeschlagenen Ansätze den Stand der Technik für die Veröffentlichung von verrauschten Spaltenanzahlen und für das Finden der Spalten mit den höchsten Anzahlen voranbringen. Schließlich geben wir die Analyse und Diskussion zur Stabilität von DPSense und DPSense-S, die von der hohen Korrelation zwischen Qualitätsfunktion und Fehler sowie anderen Erkenntnissen von DPSense, DPSense-S und bestehenden Ansätzen profitiert.