一种针对结构化数据扰动的、具有敏感性意识和PSO驱动的差分隐私方法，并支持自定义预算

《IEEE Transactions on Knowledge and Data Engineering》：A Sensitivity-Aware and PSO-Driven Differential Privacy Method with Customized Budgets for Structured Data Perturbation

差分隐私（DP）的统一记录处理和固定epsilon导致数据效用损失，本文提出基于记录敏感性和粒子群优化（PSO）的动态epsilon-DP方法，通过分三类处理记录、PSO优化各分区epsilon，以及横向属性噪声注入，在保障隐私前提下显著提升数据可用性。

　　

摘要：

差分隐私（DP）是隐私保护领域的领先标准，为各种数据提供了严格的隐私保障。然而，其传统的处理方式是将所有记录在隐私风险方面统一对待，并使用一个非自适应的隐私预算（?），这往往会降低后续分析中的数据效用。这种统一的处理方式以及固定的?值可能会引入显著的扰动，使得共享数据的二次使用变得困难。为了克服这些限制，我们提出了一种新的、基于记录敏感性的、由粒子群优化（PSO）驱动的定制差分隐私（DP）方法。我们的方法通过在传统DP框架中引入三项关键优化来显著提升数据效用，同时不牺牲隐私：首先，根据隐私风险将记录分为三类（高、中、低敏感度）；其次，我们采用PSO机制为每个类别确定最优的?值，并使用一个随敏感度变化的?值来扰动数据，而不是对整个数据集使用单一的固定?值；最后，通过横向组合属性来注入噪声，而不是独立地对每个属性添加噪声，从而避免扰动数据中出现不一致的值。在真实基准数据和合成数据集上的详细实验表明，与最新的差分隐私方法相比，我们的方法在效用和隐私保护方面具有显著优势，这一优势体现在七个评估指标上。