本地差分隐私
Parent: ai_keywords
本地差分隐私（Local Differential Privacy, LDP）
核心定义
本地差分隐私是一种在数据收集源头（终端用户侧）实施隐私保护的分布式扰动机制。与中心化差分隐私依赖可信聚合器不同，LDP 要求每个用户在提交原始数据前，通过概率化随机响应算法对自身数据进行加噪，使得即使聚合器（服务器）不可信，也无法以高置信度推断任意个体的真实信息。其数学核心在于：对于任意两条不同输入值 (x, x’) 和所有可能输出 (y)，满足 (\Pr[M(x)=y] \le e^{\varepsilon} \cdot \Pr[M(x’)=y])，其中 (\varepsilon) 为隐私预算。
关键技术点
-
随机响应机制：最常见的LDP实现。用户按概率 (p) 如实报告，以概率 (1-p) 报告随机值；通过调整 (p=e^\varepsilon/(1+e^\varepsilon)) 实现 (\varepsilon)-差分隐私。典型应用如Google RAPPOR的布尔值扰动。
-
编码与维度缩减：为处理高维数据（如词向量、医疗特征），采用哈希编码（如O-RAPPOR）或直方图分段，将无穷取值空间映射到有限桶中，再对每个桶独立扰动。平衡维度爆炸与统计可用性。
-
频数估计与无偏校正：聚合器收到扰动结果后，需通过最大似然估计或矩估计反推真实分布。关键公式：真实频次 (f = (f_{\text{obs}} - p_0)/(p_1 - p_0))，其中 (p_1, p_0) 为扰动概率。需处理负值截断和方差膨胀。
-
组合性与隐私预算管理：多轮查询下，采用顺序组合定理（(\varepsilon = \sum \varepsilon_i)）或高级组合定理。医疗场景需严格限制总 (\varepsilon)（通常 (\leq 1)），避免个体信息被多次查询累积泄露。
-
鲁棒性扩展：针对持续数据流（如可穿戴设备心电），引入滑动窗口或样本稀释策略；结合同态加密可实现端到端密文扰动，抵御恶意用户注入。
医学/神经科学应用场景
多中心帕金森病步态监测研究（背景：首都医科大学宣武医院神经病学团队）
在帕金森病早期诊断中，多中心需要共享患者穿戴式加速度计采集的步态时序特征（如步频、对称性）。但直接汇总原始数据违反《个人信息保护法》要求。采用本地差分隐私方案：
- 数据端：每位患者手机端将每步“支撑相比例”以0.5秒窗口提取为浮点数，经分段式归一化后映射到10个离散桶；对桶索引执行随机响应（(\varepsilon=0.5)），仅上传扰动后的桶ID。
- 聚合端：首都医科大学统计中心收集所有扰动桶计数，经无偏估计还原各中心步态分布，进而构建步态复杂度-震颤严重度跨中心回归模型。
结果：在(\varepsilon=0.5)下，个体步态推断置信度下降至<10%，但群体均值的相对误差仅8.3%，成功发现了冻结步态患者在双任务条件下的支撑相离散度显著升高（p=0.003），该标志物后续被用于脑深部电刺激疗效预测。本方法已用于全国12家神经内科医院的多中心真实世界研究。
