个性化本地差分隐私的自适应效用优化框架及其在频率估计中的应用

为解决用户隐私需求差异性与数据效用平衡的难题，研究人员提出ADUO-PLDP框架，通过自适应匹配最优本地差分隐私（LDP）方法（如GRR/OUE）与加权组合优化（WC），显著提升个性化隐私保护下的频率估计精度。该研究首次实现隐私预算与协议选择的动态适配，理论证明与实验验证均显示其优于传统单一协议方案，为高效用数据收集提供新范式。

　　

在数字化时代，个人数据收集与隐私保护的矛盾日益凸显。政府政策调研、交通偏好统计等场景中，用户对同一类数据的隐私需求差异显著——高敏感人群要求严格保护，低敏感人群则希望保留数据价值。传统本地差分隐私（Local Differential Privacy, LDP）采用“一刀切”的隐私预算ε，导致过度保护或保护不足，既降低数据效用，又挫伤用户参与积极性。更棘手的是，不同LDP方法（如广义随机响应GRR和最优一元编码OUE）在同一ε下的效用差异显著：当数据域大小d≤3e^ε+2时GRR更优，而d>3e^ε+2时OUE占优。现有个性化LDP研究仅允许用户自定义ε，却忽视协议选择对效用的影响，造成潜在的数据价值损失。

针对这一空白，湖南某高校的研究团队在《Expert Systems with Applications》发表研究，提出首个面向个性化LDP的自适应效用优化框架ADUO-PLDP。该框架创新性地将隐私预算分配、LDP协议动态匹配（GRR/OUE等）与加权组合优化（WC）相结合：用户端根据ε_i自动选择误差最小的LDP方法，服务器端通过WC整合异构数据，最终输出最小误差的频率估计。理论证明显示，该方法严格满足(ε_i,δ)-个性化隐私要求，且通过自适应协议选择突破单一LDP的性能天花板。

关键技术包括：1）基于Bank Market数据集（d=12）的实证分析；2）GRR与OUE等五种经典LDP方法的理论误差比对；3）用户侧隐私预算ε_i与LDP协议的自适应匹配算法；4）服务器端加权组合优化（WC）的频次估计算法。

研究结果：
自适应匹配机制：通过数学推导建立ε_i-d-LDP协议的三维关系模型，证明当d≤3e^ε+2时GRR的方差比OUE低21.7%，反之OUE误差减少34.5%。
WC优化效果：在45,211条银行营销数据测试中，ADUO-PLDP的平均绝对误差（MAE）比传统个性化LDP降低52%，比非个性化方案提升78%。
复杂度分析：用户侧协议选择仅增加O(1)时间开销，服务器端WC优化保持O(Nd)线性复杂度，适合大规模部署。

这项研究首次实现个性化隐私保护与多协议协同优化的统一，其创新性体现在三方面：一是打破“单一协议适用所有ε”的思维定式，提出ε自适应的LDP协议选择理论；二是通过WC方法解决异构隐私数据整合难题；三是为《GDPR》“数据最小化”原则提供技术实现路径。未来可扩展至均值估计、机器学习等更广领域，推动隐私计算从“合规性”向“价值性”跨越。