Oct, 2017

Prochlo: 众里寻隐 —— 针对群体分析的强隐私保护

PDF
TL;DR本文描述了一种系统架构（编码、洗牌、分析，ESA）及其 Prochlo 实现，以在保护用户隐私的同时进行计算机用户软件活动的大规模监控。
computer userssoftware activitiesmonitoringuser privacyprochlo implementation
发现论文，激发创造
  • 编码、洗牌、隐私分析再探讨：正式化及实证评估

    通过 Encode-Shuffle-Analyze 框架，本文提供了隐私保护报告的正式处理方式和指南，并在真实世界数据集上进行了大量实验来展示该方法的应用和局限性，包括匿名性、差别隐私和数据分片等。

    Jan, 2020

  • 混淆模型的隐私保护措施

    本文在研究中提供了三个贡献：在洗牌模型中提供了一种最佳的实数求和私有协议，并提供了一种新的更为通用的隐私放大界，用于分析洗牌模型中协议提供的隐私保护程度。

    Mar, 2019

  • 基于洗牌的分布式差分隐私

    研究了关于敏感数据统计计算的可扩展、强健协议设计的问题，主要探讨了如何在分布式环境中设计差分隐私协议的最佳方式，并提出了一种介于本地模型和中央模型之间的混洗模型，通过为用户提供匿名信道来随机排列一组用户提供的消息，实现与中央模型相同的精度，同时避免了信任中央服务器和加密 MPc 的复杂性。

    Aug, 2018

  • 一种高效可扩展的大数据和数据流隐私保护算法

    提出了一种新的数据扰动算法 SEAL，它基于 Chebyshev 插值和 Laplacian 噪声，在高效性和可扩展性方面提供了高隐私、高数据效用的平衡，在隐私参数选择方面提供了灵活性，并显示出优秀的执行速度、可扩展性、准确性和攻击抵抗力。

    Jul, 2019

  • 利用隐私配置授权数字社会用户

    通过收集健身数据集，进行相关的实证研究，并基于研究结果实现了建议系统，从而帮助用户更好地理解他们的隐私设置，从而更好地保护个人身份信息和表达个人伦理偏好，并实现了较高的准确性。

    Apr, 2022

  • 混洗模型下的可扩展差分隐私分布式聚合

    该论文提出了一个在混淆模型下更高效的隐私安全的聚合协议，可以使得通信量和误差只呈对数级增长，并且采用了一个称为 ' 隐身斗篷 ' 的新技术来实现此目的，该技术可以使得每个数据项与噪声几乎不可区分，同时对总和不会造成任何扭曲。

    Jun, 2019

  • 针对提升隐私保护的机器学习稳定性技术的新型综述

    研究了提高模型稳定性的各种技术，从而最小化机器学习中隐私化的负面影响。

    May, 2024

  • 基于隐私保护的神经架构搜索

    使用安全多方计算方法构建隐私保护的神经架构搜索框架，其中使用重新设计的 ReLU 和 Max-pooling 保混乱电路以及对秘密共享的 Softmax 函数的新替代方法，分析和实验表明其在安全性，效率和准确性方面具有优越性。

    Apr, 2022

  • 大语言模型时代的隐私保护：你所写即你所是

    本文调查了一系列流行模型中预训练表示所编码的个人信息的程度，并展示了模型越复杂和数据越多，可能出现数据泄露的正相关性。作者对一种大型多语言数据集上的情感分析特征进行了广泛覆盖的比较和评估，结果表明，隐私保护方法的使用非常重要。作者还发现高度隐私保护的技术（如差分隐私）可能会对模型效用产生严重影响，可以使用混合或度量隐私方法来解决。

    Apr, 2022

  • 密集人群交互式监控技术

    利用计算机视觉、贝叶斯学习技术和人群模拟等方法，通过对行人轨迹级别行为学习，实现低至中密度人群视频的实时异常检测。我们在 PETS ARENA 数据集、室内和室外人群视频基准测试中进行了实时演示，并讨论了与监视和我们研究相关的公共政策和执法问题的影响。

    Sep, 2018