基于格密码学的计算差分隐私

Oct, 2017

Computational Differential Privacy from Lattice-based Cryptography

Filipp Valovich, Francesco Aldà

TL;DR本研究探讨大数据分析所带来的安全和隐私问题，研究了私有时间序列数据在分布式和半诚信环境下的统计分析问题，并提出了一种基于对称 Skellam 分布的扰动机制，可用于保护分布式数据的差分隐私性，并构建了一个计算有效的量子后学协议，该协议的安全性基于一种新型决策学习问题。

Abstract

The emerging technologies for large scale data analysis raise new challenges to the security and privacy of sensitive user data. In this work we investigate the problem of private statistical analysis of time-series data in the distributed and semi-honest setting. In particular, we stu

private statistical analysis distributed network differential privacy skellam distribution post-quantum protocol

发现论文，激发创造

具有差分隐私的数据分析

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

差分隐私分布式估计与学习

本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案，通过交换信息，聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证，证明该算法的高效性和性能保障。

Jun, 2023

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

PrivStream: 流式差分隐私数据的算法

我们提出了一种用于在线流式数据生成的差分隐私合成算法，重点针对空间数据集。此外，我们提供了一个针对多个查询的在线选择性计数的通用框架，为查询回答和合成数据生成等多个任务提供基础。我们验证了算法在现实世界和模拟数据集上的实用性。

Jan, 2024

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

集中和本地差分隐私条件下的数据流连续发布

本文研究了差分隐私下发布实数数据流的问题，并提出了一种基于指数机制和质量函数的私有阈值计算方法、在线分层方法和后处理技术。这个框架由三个组件组成：一个能私下计算阈值的阈值优化器，一个在数据流中添加标定噪声的扰动器以及一个通过后处理来改善结果的远光镜。我们的算法考虑了更严格的本地差分隐私限制并超越了现有技术。使用四个真实数据集，展示了本方法比现有技术提高了 6 到 10 个数量级的实用性。

May, 2020

在线差分私有合成数据生成

在线差分隐私合成数据生成算法，针对数据流和无限时间范围内的超立方体数据，通过在线算法在每个时间 t 生成差分隐私合成数据集，实现在 1-Wasserstein 距离下的近似最优精确度约束。

Feb, 2024

有限计算机上的差分隐私

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

小波变换实现差分隐私

本文提出一种数据出版技术，通过将数据进行小波变换并添加噪音，在保证 ε- 差分隐私的同时，为区间计数查询提供准确的答案，并在真实数据和合成数据上进行了广泛的实验，展示了该解决方案的有效性和效率。

Sep, 2009

一个统一的差分私有量子算法框架

量子差分隐私通过添加经典和量子噪声，以及研究邻接量子状态的概念，提供了更强的隐私保证，并通过实证估计不同差分隐私测量方式的认证对抗性鲁棒性。

Jul, 2023