针对数据聚类的差分隐私解释方法

《Proceedings of the ACM on Management of Data》：Differentially Private Explanations for Clusters

针对差分隐私（DP）下聚类结果解释的挑战，本文提出DPClustX框架，输入敏感数据及DP计算的聚类标签，输出全局解释，强调各簇特征并满足DP约束，实验验证其有效性。

　　

摘要

保护敏感数据的迫切需求催生了多种隐私保护机制。其中，差分隐私（Differential Privacy, DP）被认为是最严格、最安全的隐私保护方式之一，它能够在保护数据提供者隐私的同时进行数据分析。数据分析的基本任务之一是聚类，其目的是从复杂的数据集中揭示隐藏的模式。然而，解读聚类结果面临诸多挑战，通常需要复杂的分析过程。在差分隐私框架下进行聚类结果的解释更为困难，因为分析师收到的响应可能包含噪声信息，而较长的手动探索过程又会引入更多噪声，从而违反隐私保护要求。尽管目前有很多聚类解释框架试图通过自动分析每个簇的特征来辅助分析师，但这些框架也可能泄露数据集中的敏感信息，从而导致隐私泄露。

为了解决这些问题，我们提出了DPClustX这一框架，它能够在满足差分隐私要求的同时为黑盒聚类结果提供解释。DPClustX以包含敏感数据的数据集和私有计算的聚类标签作为输入，生成一个全面的解释报告，突出每个簇的主要特征，并确保遵守差分隐私原则。我们对DPClustX进行了广泛的实验验证，结果表明即使在严格的隐私限制下，该框架也能提供有洞察力和准确的解释。

可用格式

您可以通过以下格式查看完整内容：

PDF