差分隐私的组合定理
本研究研究了本地差分隐私和效用之间的基本权衡,介绍了一种组合极端私有化机制族,即楼梯机制,并通过展示它包含广泛信息理论实用程序的最优私有化机制来证明其有效性。同时,我们证明了二进制和随机响应机制在低、高隐私区间是普遍最优的,能够很好地近似中间区间。
Jul, 2014
本文提出了一种基于差分隐私的机制,以保证数据查询的数据隐私和查询效用之间的平衡。机制包含了每个可能的用户的期望最小化的代价函数,并且针对每个固定数量的查询和差分隐私级别,存在一种几何机制可以同时保证每个可能用户的最佳实用性,这是一种极强的实用性保障。
Nov, 2008
该研究提出了一种基于计数查询的线性组合方法,通过最优策略支持一组相关查询的答案,并对该策略的误差进行几何特征化并提出了优化方法,以应用于不同数据分析任务中的隐私保护。
Dec, 2009
提供了一种快速算法,可以将差分隐私算法的隐私保证优化到任意精度,并使用隐私损失随机变量的概念来量化差分隐私算法的隐私损失,该算法可以加速隐私计算几个数量级同时保持类似的准确性。
Jun, 2021
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
研究统计隐私的目标之一是构建一个数据发布机制,它可以在保护个人隐私的同时保留信息内容。本文从统计角度考虑差分隐私,研究满足差分隐私要求的数据发布机制,并比较它们的收敛速度。研究表明,指数机制的准确性与经验分布在真实分布周围集中的概率密切相关。
Nov, 2008
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