الخصوصية التفاضلية وقيمة إبسيلون
Differential privacy and epsilon
رؤية المفاضلة بين الخصوصية والدقة بتغيير ε في آلية لابلاس.
Englishالفكرة
يُضاف ضجيج لابلاس بمقياس Δ/ε إلى عدّ حقيقي، ويُكرر الإطلاق مرات كثيرة لقياس الخطأ.
وصف البيانات
بيانات اصطناعية تولّد في متصفحك من توزيعات معلنة؛ لا تحتوي أي بيانات شخصية حقيقية.
التجربة التالية المقترحة
مفاهيم هذه التجربة
ما القيمة المناسبة لإبسيلون في الخصوصية التفاضلية؟
لا توجد قيمة عالمية. القيم الصغيرة (أقل من 1) تعطي ضماناً قوياً بضجيج كبير، والقيم الكبيرة تضعف الضمان. يعتمد الاختيار على حساسية البيانات وعدد الاستعلامات (الميزانية الكلية) والدقة المطلوبة، ويجب الإعلان عنه.
معادلة آلية لابلاس (Laplace mechanism)
Δf حساسية الاستعلام (1 للعدّ)؛ ε أصغر يعني ضجيجاً أكبر.
M(D)=f(D)+\mathrm{Lap}\!\left(\frac{\Delta f}{\varepsilon}\right),\quad \mathbb{E}|\text{noise}|=\frac{\Delta f}{\varepsilon}معادلة تعريف الخصوصية التفاضلية (Definition of ε-differential privacy)
لكل مجموعتي بيانات D وD′ تختلفان في شخص واحد ولكل مجموعة نتائج S.
P[M(D)\in S]\le e^{\varepsilon}\,P[M(D^\prime)\in S]الخصوصية التفاضلية (Differential Privacy)
ضمان رياضي بأن نتيجة التحليل لا تتغير كثيراً بإضافة شخص واحد أو حذفه، فلا يمكن استنتاج وجوده. تُحقق بإضافة ضجيج معاير، مثل آلية لابلاس بمقياس Δ/ε حيث Δ الحساسية. ε أصغر = خصوصية أقوى وضجيج أكبر. المرجع الأساسي: Dwork وRoth (2014).
المراجع العلمية للتجربة
- The Algorithmic Foundations of Differential PrivacyC. Dwork, A. Roth (2014) — ورقة علمية
