本文提出了一个上下文感知的局部差分隐私框架,允许隐私设计者将应用程序的上下文纳入到隐私定义中。针对二进制数据域,我们提供了一种普遍最优的隐私方案,并且针对 $k$-ary 数据域,我们研究了两种特殊情况下的局部差分隐私。我们研究了离散分布估计,并提供了通信效率高、样本最优的方案和信息论下界。我们展示了使用上下文信息可以比经典局部差分隐私更少地使用样本来达到相同的准确度。
Oct, 2019
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
本文提出一种实现高精度(ε,δ)-LDP (可保持个人数据隐私)的机制,分别针对多维数值数据和分类属性进行收集,实现了对数据的安全保护和更高的准确性,实验证明其在数据统计和机器学习模型中具有很高的数据实用性。
Jun, 2019
本文介绍了一种关于局部差分隐私技术的改进算法 —— 使用语义标签和个性化机制实现的 “优化保密” 机制(ULDP),能够在保护用户隐私的前提下对个人数据进行分布估计,提高了数据利用率。
Jul, 2018
本文论述了 LDP(Local Differential Privacy)模型的隐私保护架构,包括模型、机理、应用场景以及未来研究方向,并比较了在不同数据分析任务中的应用,以达到保护数据隐私的目的。
Oct, 2020
该论文提出了一种针对多维数据的 LDP 机制,该机制可以包含数字和分类属性,并构建了符合 LDP 的随机梯度下降算法,在真实数据集上进行实验,证明了这种机制的有效性和优越性。
Harmony 是一种实用、准确和高效的系统,支持从智能设备用户收集和分析多维度数据以及应用于基本的统计学和复杂的机器学习任务,并满足本地差分隐私技术的要求,以解决数据收集可能引起的隐私问题。
Jun, 2016
本文介绍了一种新的本地差分隐私技术,可以在时间上保持最新的统计数据,隐私保证仅随基础分布变化次数而衰减,而不是收集周期次数,其中提供了使用频率和重量估计的应用程序。
Feb, 2018
我们综合研究引入了贝叶斯隐私并深入探讨了局部差分隐私及其贝叶斯对应之间错综复杂的关系,揭示了新的有关效用和隐私之间的权衡。
Mar, 2024
本文提出一种基于编码器 - 解码器框架的任务感知隐私保护方法,旨在使用任务相关的潜在用户数据表示来匿名化丰富的用户数据,实现最优解,较传统的隐私预算下注入噪声的方法显著提高任务准确性。
Oct, 2021