基于众包数据流的个性化隐私保护真相发现

真相发现是一种有效的范式，可以从存在冲突的众包数据中揭示真相，使数据驱动的决策系统能够快速、智能地做出决策。日益增加的隐私关注促使用户在外包前对其私密数据进行扰动或加密，这对真相发现提出了重大挑战。虽然已经提出了几种隐私保护的真相发现机制，但没有考虑个人隐私期望。在这项工作中，我们提出了一种新颖的个性化隐私保护真相发现（PPPTD）框架，以实现及时和准确的真相发现，同时保证个人隐私的保护。PPPTD的关键挑战在于提高从扰动流数据中获得的真相估计的准确性，同时考虑个性化的保护水平。为了解决这些挑战，我们首先开发了一种个性化预算初始化机制，以量化每个用户的隐私保护要求，并根据他们的隐私需求分配个性化隐私预算。然后，我们提出了一种基于偏差的加权聚合方法，以提高从不同扰动程度的流数据中进行真相发现的准确性。为了实现隐私和效用之间的权衡，我们进一步提出了一种影响感知的自适应预算调整机制，根据用户在加权聚合中影响力的变化自适应地重新分配隐私预算。我们证明PPPTD可以在用户生成的整个数据上实现-差分隐私，并满足个体的个性化隐私要求。对两个真实世界数据集的广泛实验表明了PPPTD的有效性。