近期，计信学院多智能体认知与协同团队彭顺顺等人共同完成的隐私保护方面的研究论文“Correlation preservation in high-dimensional sparse data publication with local differential privacy”在中科院一区TOP期刊Knowledge-Based Systems发表。该论文作者包括来自我院的彭顺顺博士和郭桃林博士，王文昊、李敏豪、李皓麒研究生，以及澳大利亚联邦科学与工业研究院的Mengmeng Yang研究员。
本地差分隐私是当前主流的隐私数据收集框架，其在数据离开用户端之前对其进行扰动，有效规避了不可信服务器带来的用户隐私泄露风险。然而，本地差分隐私的噪声规模随数据维度的增加而显著增长。在面对高维稀疏数据时，海量噪声极易淹没并破坏数据间原本脆弱的关联性，导致收集到的数据几乎失去分析价值。
为应对这一挑战，团队提出了LDP-CHSP框架。该框架利用高斯随机投影将高维稀疏数据压缩为低维稠密数据，在降维的同时保留了原始数据间的欧氏距离与相似度特征。在此基础上，团队引入隐私损失概率函数，建立隐私损失与泄露风险之间的数学联系，进而求解满足差分隐私保护标准的最小噪声方差，最大限度地降低噪声对数据关联性的负面影响。实验结果表明，LDP-CHSP所需注入的噪声量显著低于其他主流方法，在保持数据相关性与提升准确率方面优势显著。
LDP-CHSP框架图
《Knowledge-Based Systems》创刊于1987年，是人工智能领域的国际顶级学术期刊。期刊为中国计算机学会推荐期刊（CCF C），2025年影响因子为7.6，中科院2025年分区为计算机科学大类一区Top。
论文连接：https://doi.org/10.1016/j.knosys.2026.116289
