本地化差分隐私研究综述 本地化差分隐私研究综述 本地化差分隐私作为隐私保护领域的重要技术，在数据收集环节直接对用户信息添加噪声，使得第三方无法通过统计结果反推个体数据。这项技术通过数学方法量化隐私泄露风险，既保证数据可用性又避免原始数据外泄，在金融、医疗、位置服务等领域应用广泛。核心机制在于让用户端主动扰
本文做了以下几个方面的研究: 第一, 调研分析差分隐私技术 的发展历程, 包括常见类型的定义、性质以及实现机制等, 并举例说明差分隐私的多个实现机制的应用场景。初次之外, 还详细 讨论了最新的Rényi 差分隐私定义和Moment Accountant差分隐私的累加技术。其二, 本文详细总结了机器学习领域常见隐私 威胁模型定义、隐私安...
基于差分隐私的机器学习模型的评判标准就是和真实模型进行比较,在这方面有多种比较,分为一个大方向就是和真是模型的距离度量,这个度量方法大致可以分为三种,目标函数的差异,参数的差异以及样本空间某些预测点的差异。这些度量的方法的根本目的是想证明隐私模型和真实模型更加接近,所以在收敛速度大家达成共识,也经过了证...
3 No. 5 2018 年9 月 Journal of Cyber Security September, 2018 差分隐私综述 李效光, 李晖, 李凤华, 朱辉 西安电子科技大学网络与信息安全学院, 陕西 西安 710071 摘要 差分隐私是2006 年由DWORK 提出的一种新型的隐私保护机制, 它主要针对隐私保护中, 如何在分享数据时定义隐私, 以及如何在保证可用性的...
今天要跟大家分享的主题是差分隐私,笔者将结合几篇近几年有关差分隐私的综述文章 [1,2] 对这个领域进行简要介绍。 1. 背景介绍1.1 引言 随着科学技术的发展,人们收集数据、处理数据的能力显著提高,复杂的机器学习模型和统计学方法不断被提出。在追求更高预测精度、更快计算速度的过程中,人们发现另一个重要的问题...
Tel: +86-10 本地化差分隐私研究综述 1 1 1 2 叶青青 , 孟小峰 , 朱敏杰 , 霍峥 1( 中国人民大学 信息学院,北京 100872) 2(河北经贸大学 信息技术学院,河北 石家庄 050061) 通讯作者: 孟小峰, E-mail: xfmeng@ 摘 要: 大数据时代信息技术不断发展,个人信息的隐私问题越来越受到关注,如何在数据...
Tel: +86-10-62562563 本地化差分隐私研究综述 叶青青1 , 孟小峰1 , 朱敏杰1 , 霍 峥2 1 (中国人民大学 信息学院,北京 100872) 2 (河北经贸大学 信息技术学院,河北 石家庄 050061) 通讯作者: 孟小峰, E-mail: xfmeng@ruc.edu.cn 摘 要: 大数据时代信息技术不断发展,个人信息的隐私问题越来越受到...
噪音注入算法是差分隐私技术中最常用的保护个人隐私的方法,其实现方式多种多样,主要的方式有加性噪音注入、乘性噪音注入、Laplace噪音注入等。 二、加性噪音注入算法 加性噪音注入算法是差分隐私技术中比较常见的一种方式,它的实现原理就是将噪音直接添加到原始数据中。加性噪音注入算法的优点是简单易于实现,缺点是...
本地化差分隐私研究综述
1.【期刊论文】本地差分隐私频率估计研究综述 期刊:《软件导刊》 | 2021 年第 001 期 摘要:本地差分隐私(LDP)频率估计是数据挖掘领域的一个重要组成部分,目的是在满足LDP的前提下计算特定数据项出现的频率.在基于云服务的应用中,LDP频率估计实现了数据采集过程与数据分析过程的隐私保护,可应用于频繁模式挖掘、恶意...