Paper: Achieving Privacy-Preserving and High-Accuracy Collection of Key-Value Data With Local Differential Privacy

1. 元信息

• paper_id: PAPER_9955C321
• title: Achieving Privacy-Preserving and High-Accuracy Collection of Key-Value Data With Local Differential Privacy
• year: 2026
• authors: Junpeng Zhang, Hui Zhu, Jiaqi Zhao, Mengqian Li (Xidian Univ. & Hebei Normal Univ.)
• venue: IEEE Transactions on Information Forensics and Security (TIFS), Vol. 21
• DOI: 10.1109/TIFS.2026.3671048

2. 一句话贡献

提出基于分段随机响应（Segmented Randomized Response）的本地差分隐私键值数据收集方案，在单轮通信内同时实现高精度键频率估计和值均值估计，解决了现有LDP方案在复合数据类型上精度-隐私-通信三重权衡的难题。（EVID-PAPER_9955C321-P1-C000）

3. 研究问题

3.1 原始问题

IoT服务商依赖用户键值数据（如app使用频率、健康指标）进行分析决策，但直接传输敏感数据存在严重隐私风险。现有LDP方案主要面向简单数据类型，对键值等复合数据的支持不足，且多轮迭代方案通信开销大。（EVID-PAPER_9955C321-P1-C001）

3.2 学术抽象

• 问题类型：隐私保护数据收集（LDP-based Private Data Collection）
• 关键挑战：在(ε,δ)-LDP约束下，同时保证键频率和值均值估计的高精度，并最小化通信轮次
• 形式化：N个用户各持有键值对集合{(k_i,v_i)}，设计本地扰动机制M使服务器可从扰动数据中无偏估计各键频率f̂_k和均值μ̂_k

3.3 问题重要性

键值数据是IoT中最普遍的复合数据类型之一。隐私保护的键值收集对智能家居、健康监测、城市感知等有直接应用价值。

4. 核心思想

将键值数据拆分为键和值两部分——键部分使用优化后的分段随机响应（Segmented Randomized Response, 基于GRR改进），值部分根据键的存在与否做有条件扰动。通过一次通信即可完成数据收集，避免多轮迭代，理论上证明方案满足(ε,δ)-LDP。（EVID-PAPER_9955C321-P3-C004, EVID-PAPER_9955C321-P4-C008）

5. 方法框架

• 输入：N个用户持有的键值对集合
• 输出：服务端键频率估计{f̂_k}和均值估计{μ̂_k}
• 模型：客户端-服务器架构，本地扰动+服务端统计估计
• 算法：
  • Phase I: 客户端执行Segmented Randomized Response扰动
  • Phase II: 服务器收集扰动数据
  • Phase III: 服务器统计估计（频率+均值联合估计）
• 损失函数：MSE（均方误差）
• 数据集：合成数据集 + 真实世界数据集
• 评价指标：MSE（键频率/均值估计误差）、NCR（归一化累积排名）

6. 实验设计

• Baseline：MLPKV等现有LDP键值收集方案
• Ablation：不同隐私预算ε对估计精度的影响
• Robustness：不同数据规模和数据分布下的性能稳定性
• Case Study：真实世界数据集上的键值频率/均值估计

7. 关键结论

8. 隐含假设

论文明确假设：服务器是honest-but-curious的半可信方（LDP标准假设）；用户本地数据真实完整。 系统推断：键空间大小在可枚举范围内；value为连续数值类型。

9. 局限性

系统推断：键候选集过大会影响GRR效率；仅支持数值型value；单轮方案在高维键空间下估计效率可能下降。

10. 可迁移启发

以下为 C 类迁移推断，非原论文结论。

1. "分段扰动"隐私范式：将复合数据拆分为结构和数值两部分，针对不同语义使用差异化扰动策略——可迁移到图数据的拓扑+特征隐私保护、时间序列的趋势+残差隐私保护。
2. 单轮通信设计原则：通过精心设计本地扰动编码在LDP中实现通信-精度trade-off——可迁移到联邦学习中梯度更新的隐私保护。
3. 统计后处理技术：服务端校准方法实现扰动后无偏估计——通用可迁移的隐私数据统计分析技术。

11. 与其他论文关系

• 前置工作：RAPPOR (Google), Apple LDP, MLPKV
• 同主题工作：待跨论文综合（与Plog图数据隐私、PriFFT联邦学习隐私存在技术关联）

12. Evidence 列表