抉择:隐私带来代价的情形下进行调查
该研究讨论了如何在具有隐私敏感性的人群中设计调查,提出了一种不同 ially private peer-prediction 机制来支持 Bayes-Nash 均衡下每个个体的隐私,实现了对人口统计数据的精确估算。
Apr, 2014
提出了一种经济解决方案,通过运用计算机科学中的生产模型来降低公布数据的隐私成本,达到精确统计和保护隐私的双重目标。在美国统计项目中应用了这一框架,但更好的理解隐私和统计准确性的购买意愿,对此提出了一个需要进一步探讨的方向。
Aug, 2018
提出一种用于捕获用户向被动好奇敌手发布数据时产生的隐私威胁并在效用约束下加以限制的一般性统计推断框架,其中应用自信息成本函数于非渐进信息论方法用于表征最佳可实现的隐私,基于这些结果引入平均信息泄漏和最大信息泄漏两种隐私度量,证明在两种指标下,将用户数据映射到隐私保护输出的最优映射可被描述为修正的率失真问题并可设计成凸编程,最后与差分隐私进行比较。
Oct, 2012
本文研究了以差分隐私为视角的私人数据市场。我们提出了一个理论框架,通过设计拍卖机制,为数据所有者提供合理的隐私损失补偿,并与数据分析师的准确性和预算要求达成平衡。同时,我们证明了在这种场景下,经典的维克里竞拍具有较高的优化效果。
Nov, 2010
探讨平衡标准误差和隐私保护之间的关系,提出了最小化极限风险下的差分隐私约束的算法,包括隐私迭代硬阈值追踪,以及在实际数据集中表现出的数值表现。
Feb, 2019
本篇论文提出了一种新的建模隐私保护的方式,通过在玩家的效用函数中引入隐私代价,基于此提出了三种保证机制使得机制既能保证差分隐私,又能保证数据的真实性,实验表明该方法在玩家数量增加时能逐步优化社会效益。
Nov, 2011
研究了如何在单个数据集上执行自适应分析,确保每个参与者的差分隐私损失不超过预先指定的预算,提出了一种基于个性化隐私损失估计的更紧密的隐私损失计算方法,并应用于噪声梯度下降分析中。
Aug, 2020
该论文提出了一种新的隐私保护方法,即 “随机隐私”,通过此方法,用户可以获得数据使用的概率上限的保证,以此来保护用户的个人数据隐私,同时提供更好的服务质量,实现广告投放和用户画像的个性化等个性化服务,通过 web 搜索个性化案例验证其方法的有效性。
Apr, 2014