优化差分隐私下的直方图查询
本文提出了第一个用于回答批量线性查询的实用差分隐私技术,即低秩机制 (LRM),它适用于确切和近似差分隐私定义,并提供对 LRM 的实用性保证,同时提供如何根据用户的实用预期设置隐私参数的指导。与差分隐私下的最新查询处理解决方案相比,这种方法在真实数据上的大规模实验中表现出了更高的准确性。
Feb, 2015
通过使用关联的高斯噪声和线性回归步骤,我们基于差分隐私机制的多项式对数组进行了矩阵突触连接和遗传差异,从而在线性查询的上下文中研究了准确性和隐私之间的权衡。
Dec, 2012
我们展示了一种在保证差分隐私的前提下,可以显著提高一类常见直方图查询的准确性的方法。我们选择一组仔细设计的查询,利用能够满足噪声输出上的一致性约束。在后处理阶段,我们计算出最有可能产生噪声输出的一致性输入。最终输出是差分隐私和一致性的,并且通常更加准确。从理论和实验上都表明,这些技术可以被用于精确地估计图的度数序列并计算支持任意范围查询的直方图。
Apr, 2009
本论文利用差分隐私算法对分布式和流数据进行分析,通过学习全局数据模型并保障差分隐私,提出了三种分布式学习贝叶斯网络模型的新方法,并针对流数据中的用户密度估计问题,提供了用户级别的隐私保护算法和改进策略。
Jul, 2023
探讨在三种模式下对不对称敏感数据集的查询差分隐私问题,证明这些模式不同,并且存在家族类的统计查询,在离线模式下可以回答指数级别的查询,而在线模式下只能回答很少的查询,同时也展示了一族搜索查询,在在线模式下可以回答指数级别的查询,但在调整模式下无法回答很多查询。
Apr, 2016
本论文介绍了一种新的算法,可在 ε 差分隐私下回答一组给定的范围查询,与竞争方法相比通常可以实现更低的误差。 我们的算法通过添加适应于输入数据和给定查询集的噪声来满足差分隐私,采用适合输入数据的方法对域进行划分并为每个桶估计计数以适应给定的查询集。由于算法的性能取决于输入数据库,因此我们在各种真实数据集上进行评估,表明我们可以在 “易” 和 “难” 数据库上实现数据依赖性的好处。
Oct, 2014
提供严格多项式时间的离散算法,用于近似分类数据集的直方图,同时保留与拉普拉斯机制相同的(纯)差分隐私保证,并基于受限离散计算模型,避免了基于实际算术的不同隐私算法攻击实现的可能性。
Sep, 2017