Rumo à Descoberta de Verdade Personalizada e que Preserva a Privacidade sobre Fluxos de Dados Crowdsourced

A descoberta da verdade é um paradigma eficaz que pode revelar a verdade a partir de dados crowdsourced com conflitos, permitindo que sistemas de tomada de decisão baseados em dados tomem decisões rápidas e inteligentes. A crescente preocupação com a privacidade leva os usuários a perturbar ou criptografar seus dados pessoais antes de terceirizá-los, o que apresenta desafios significativos para a descoberta da verdade. Embora vários mecanismos de descoberta de verdade que preservam a privacidade tenham sido propostos, nenhum deles considera a expectativa de privacidade pessoal. Neste trabalho, propomos um novo framework de descoberta de verdade que preserva a privacidade personalizada (PPPTD) sobre fluxos de dados crowdsourced para alcançar uma descoberta de verdade precisa e oportuna, garantindo a proteção da privacidade individual. Os principais desafios do PPPTD residem em melhorar a precisão da estimativa da verdade a partir dos dados de streaming perturbados com nível de proteção personalizado. Para enfrentar esses desafios, primeiro desenvolvemos um mecanismo de inicialização de orçamento personalizado para quantificar a necessidade de proteção de privacidade de cada usuário e alocar orçamentos de privacidade personalizados aos usuários de acordo com suas exigências de privacidade. Em seguida, propomos um método de agregação ponderada ciente de desvio para melhorar a precisão da descoberta da verdade a partir de dados de streaming com diferentes graus de perturbação. Para alcançar o equilíbrio entre privacidade e utilidade, propomos ainda um mecanismo de ajuste de orçamento adaptativo ciente de influência que realoca adaptativamente orçamentos de privacidade para os usuários com base na evolução de sua influência na agregação ponderada. Provamos que o PPPTD pode alcançar a privacidade -diferencial sobre todos os dados gerados pelos usuários e satisfazer os requisitos individuais de privacidade personalizada. Extensos experimentos em dois conjuntos de dados do mundo real demonstram a eficácia do PPPTD.