Jan, 2011

关于抽样、匿名化和差分隐私：或者，k - 匿名遇上差分隐私

PDF
TL;DR本文研究在隐私保护数据分析和发布中，K - 匿名提供了怎样的形式隐私保证，并探索了如何从对方的数据不确定性中受益。结果表明，随机采样可以提供帮助，具有很好的隐私保护。通过在 K - 匿名之前添加随机采样步骤，可以以合理的参数满足差分隐私，从而为数据提供更好保护。同时，对于给定的采样数据集，可以利用更大的隐私预算。
发现论文，激发创造
  • 躲藏在克隆之中：洗牌隐私扩增的简单且几乎最优分析

    随机洗牌可显著提高局部随机化数据的差分隐私保证，我们提出了一种基于新方法的差分隐私算法，其具有渐近最优的依赖性，应用于洗牌模型中的频率估计，是简单且近乎最优的算法。

    Dec, 2020

  • 随机子采样的隐私扩增：基于耦合和差异的严密分析

    本研究介绍一种新的方法，可通过随机抽样来提高差分隐私机制提供的隐私保证。该方法利用程序验证社区中出现的差分隐私特征，引入高级联合凸性和隐私概况等新工具，既可恢复和改进以往的分析，也可推导出新的隐私扩增实例。

    Jul, 2018

  • 通过后验采样进行贝叶斯差分隐私

    本文提出了一种新的用于保护数据隐私的方法，即使用贝叶斯推理本身提供对数据的私密访问，并利用后验采样来实现差分隐私和数据效用的平衡。同时，我们提出一般的差分隐私度量方法，使得适用范围更广泛，能够处理非 i.i.d 数据和非表格形式的数据集，并在套用路易斯界限法时得到更好的下界。

    Jun, 2013

  • 个人隐私与群体隐私：学习攻击匿名化

    通过比较差分隐私和 l - 多样性数据的准确分类器推断私人属性，研究发现即使采用差分隐私，也能够推断出个体的隐私属性。

    Nov, 2010

  • 纯差分隐私与近似差分隐私之间

    该研究通过指定参数 delta 来构建一个全新的下界，从而优化（epsilon，delta）差分隐私算法在高维数据库上精确回答统计查询的样本复杂度。除了新的下界之外，该研究还提出了纯粹和近似的差分隐私算法，用于回答任意统计查询，并通过对比标准拉普拉斯和高斯机制在最坏情况下精度保证方面的样本复杂度，改善了对该问题的解决方法。

    Jan, 2015

  • 应用不同技术的机器学习模型对匿名数据的比较

    通过使用基于值通用化层次结构的匿名化技术来模糊准标识符，广泛用于实现预设的隐私级别。本文研究了四种经典的机器学习方法，以分类为目的，分析了应用匿名化技术和为每个方法选择的参数的结果。使用广为人知的成年人数据集，在变化的 K 值、L - 多样性、T - 接近度和 delta 披露隐私方面部署这些模型的性能得到了研究。

    May, 2023

  • 无痛随机差分隐私与灵敏度采样

    通过采样器估计非私有机制的敏感性，可以自动实现随机差分隐私，避免了全局敏感度的计算复杂性，并在黑盒计算机程序中实现更精确的发布，采用自然放松的隐私保证。

    Jun, 2017

  • 从局部到中心差分隐私的扩大：通过匿名化实现

    本文研究了本地差分隐私模型下敏感统计信息的收集，提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，基于用户报告的匿名性，我们还展示了当以中心式差分隐私模型来看待时，我们的 LDP 算法的隐私成本实际上会更低。通过新的隐私放大技术，我们证明了任何置换不变的算法，满足 ε 局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。作为实际的推论，我们的研究结果表明，几个基于 LDP 的工业部署的隐私成本会比它们宣传的 ε 值所表示的要低得多，至少是在报告经过匿名化的情况下。

    Nov, 2018

  • 迭代式隐私放大

    使用微分隐私技术对加性迭代算法的中间结果进行保护，避免泄露中间过程可以强化隐私保障并解决凸优化问题。

    Aug, 2018

  • 离散分布身份和接近性的差分隐私测试

    该研究提供了关于差分隐私下 k 个元素分布的标识检测和接近度检验的上下界。他们提出了一般框架以建立隐私统计任务的样本复杂度的下界，同时通过构建精心选择的先验概率来证明隐私算法的下界。

    Jul, 2017