Dec, 2017

单边差分隐私

PDF
TL;DR本文介绍了一种新的差分隐私技术 —— 单边差分隐私（OSDP）。与传统的差分隐私技术不同，OSDP 只对敏感信息提供差分隐私的保障，而非敏感信息可以真实地发布，但也避免了排除攻击泄漏敏感信息的情况。实验结果表明，这种方法的数据实用性损失很小，相比差分隐私技术，可以获得高达 25 倍的准确性提升。
privacy-preserving data sharingdifferential privacyone-sided differential privacyexclusion attacksdata utility
发现论文，激发创造
  • 差分隐私的极限（及其在数据发布和机器学习中的误用）

    文章介绍了差分隐私的优点及其在交互式查询的数据使用中的应用，同时指出了其局限性，强调需要注意其在个人数据采集、发布以及机器学习等领域中的滥用。

    Nov, 2020

  • 随机差分隐私

    提出一种放宽的隐私定义称为随机差分隐私 (RDP)，它要求将随机新观测值添加到数据库中对数据发布过程的输出产生较小的影响，并展示与差分隐私程序组合性质的类比、发布 RDP 直方图的方法以及 RDP 直方图比普通差分隐私直方图更准确的证明。最后，展示了函数发布在我们的隐私定义下的全局敏感度框架的类比。

    Dec, 2011

  • 差分隐私：什么是所有的噪音？

    本文概述了隐私保护的形式定义 Differential Privacy 在数据处理中提供严格保证的重要思想、概念和应用，特别关注它在机器学习和联邦学习领域的交叉应用。

    May, 2022

  • 本地差分隐私：教程

    本文针对 LDP 算法在隐私、统计计算和大数据等领域的应用，介绍了不同 LDP 算法在本地程序用户隐私保护、重要数据识别和空间数据收集等问题上的实现并探讨了其未来发展方向。

    Jul, 2019

  • 差分隐私的统计框架

    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

  • 基于分布鲁棒优化的差分隐私

    本文利用分布式鲁棒优化技术，开发了一种机制设计模型，以实现最高准确度和隐私预选级别的非渐近和无条件最优性保证。

    Apr, 2023

  • 带有有界用户贡献的差分隐私 SQL

    本文提出了一种通用可扩展的方法，用于在数据库上执行差分隐私聚合，即使个体可以与任意多个行关联，将其表达为关系代数操作符并在 SQL 引擎中实现，测试了 typial queries 在工业基准测试上的效用，并通过随机测试框架验证其正确性，描述了在实践中部署此类系统时学到的优点和缺点，并发布其核心组件作为开源软件。

    Sep, 2019

  • 差分隐私数据合成方法比较研究

    本研究探讨了当前的差分隐私数据合成技术对于发布原始数据的个人级别代理数据的技术概念，以及通过广泛的模拟研究评估每种数据合成技术的统计效用和推断属性，为不公开数据的发布提供了差分隐私的实际可行性和效用，同时提出了未来的研究方向。

    Feb, 2016

  • 个性化差分隐私的岭回归

    个性化差分隐私机器学习：使用个人数据点隐私级别训练 Ridge 回归模型的方法 (PDP-OP)，在提供严格隐私保证和模型准确性的前提下，改善差分隐私中的隐私 - 准确性平衡。

    Jan, 2024

  • 使用输出特定和数据解析隐私配置文件探究 ML 模型的数据集级隐私转变

    本文研究了衡量数据集上 DP 机制对模型隐私保护的能力的新指标 - 隐私覆盖度，并提出了使用该指标排名训练集中样本隐私的方法，进而使用观察到的邻域分布的不可区分性转换来选择 epsilon 值。

    Jun, 2023