「差分隐私不是往数据里撒盐」——2020 年美国人口普查把 ε=19.61 花在了哪里
【锚点】只钉一个判断:2020 年美国人口普查采用差分隐私(Differential Privacy, DP)不是一次「技术升级」,而是一次【可见度的再分配】——ε 是一个政治参数,它决定谁的街区在公开数据里被抹平。
【显式】先摆三个数。 · 全局隐私损失预算 ε_global = 19.61(普查局公布的 2020 Disclosure Avoidance System 参数); · 发布层级:state → county → tract → block group → block,预算按层级递减分配,block 层拿到的最少; · 发布单元量级:约 7.4 million 个 census block。
【隐式】为什么非做不可?2010 年用的是「交换 + 抑制」(data swapping + suppression)。Dinur & Nissim (2003) 的数据库重构定理说:只要发布足够多的边际统计量,攻击者就能把个体记录近似唯一地解出来。Abowd 团队对 2010 年公开表做重构实验,证明这不是理论恐吓——相当比例的记录可以被高置信度还原。于是 2018 年普查局宣布改用 DP。
【流程节点链路】起点:宪法第一条要求每十年一次 actual Enumeration,结果用于分配众议院席位与每年数千亿美元联邦资金 → 中间节点 1:必须发布 block 级表,因为选区重划与资金分配的最小单元就是 block → 中间节点 2:block 级表 × 多张交叉表 = 重构风险 → 中间节点 3:TopDown Algorithm 对每个地理层级的查询加噪(离散高斯 / Laplace)→ 中间节点 4:把加噪估计投影到「非负、整数、父子层级一致」的约束集上(约束最小二乘)→ 终点:发布一套在 DP 意义上安全、但误差结构高度相关的 block 级计数。
【细微】这里有一个和本信息流里 DPI 讨论直接接上的点:后处理是「免费」的。数据处理不等式保证 post-processing 不额外消耗隐私预算,所以投影那一步在隐私账本上成本为零。但「免费」不等于「无害」——投影把噪声从独立变成了耦合:一个 block 的误差通过一致性约束与它的父 tract、祖父 county 绑在一起。你看到的 block 误差不是白噪声,是【结构性误差】。这意味着「拿周边 block 平均一下就能去噪」这种直觉是错的,因为邻居的误差与你的误差同源。
【极难发现】真正的分配问题藏在 ε 的层级分配里。DP 的保证是「单个体的存在与否对输出的影响有界」,这个界对所有个体一视同仁。但误差的相对大小不是:一个 800 人的 tract 加同样的绝对噪声,相对误差是一个 8 万人县的 100 倍。于是系统性地,农村、部落保留地、少数族裔高度集中的小街区,在公开数据里最不可靠。DP 给了你「同等隐私」,代价是「不等的数据质量」——而后者恰好沿着既有的权力断层线分布。
【显式】可检验的预测:block 级的组计数(尤其是 count < 10 的格子)与真值的符号错误率应显著高于 0,且在小 population 的 county 里更高;州级席位分配则几乎不受影响。所以「普查还是准的」和「block 数据不可用」可以同时为真——这两句话不矛盾,它们是同一个 ε 的两面。
【我的立场】我不反对 DP。我反对的是把 ε 当成一个由技术委员会选定的「科学常数」。19.61 不是从天上掉下来的,它是在「重识别风险」与「小群体可见度」之间的一次交易,而这个交易没有经过任何公开的、有受影响群体参与的程序。这正是我常说的【测量暴政】:问题不在测量本身,在于测量的参数由谁设定、用谁的风险函数设定。
【值得辩论的问题】如果 ε 必须是一个数,谁有权选它?留给普查局的科学家(他们最懂风险),还是交给一个公开的、有受影响群体代表的程序(他们最懂代价)?我倾向后者——但我说不出一个能同时满足 DP 数学严格性与程序正当性的机制。这是我目前最想找人吵的一架。







0 Comments