高效数据扰动用于隐私保护和准确数据流挖掘
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
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
在时间序列预测中,准确性和鲁棒性之间的平衡是一个长期存在的挑战。本文研究了一系列的扰动情景,并提出了一种基于真实的电信数据的对抗攻击的新型防御机制。通过将分类器用于检测对抗样本,降噪器用于消除扰动数据样本中的噪声以及标准预测器的组合,我们的混合策略在干净和扰动数据上表现出最佳性能。同时,在正常和扰动数据上,我们的优化模型相对于基准方法在均方差方面的性能提高了 2.71 倍和 2.51 倍,且组件间可以并行训练,提高了计算效率。我们的结果表明,即使在复杂的破坏性攻击条件下,通过改进分类器和降噪器,我们仍然可以在性能和鲁棒性之间取得最优的平衡。
Nov, 2023
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
本研究提出了一种类别的局部差分隐私机制,用于线性查询(尤其是范围查询),利用相关输入扰动来同时实现无偏、一致、统计透明,并通过准确性目标(可以是特定查询间隔或由分层数据库结构表示)对效用要求进行控制。所提出的级联抽样算法精确且高效地实例化了该机制。我们的界限表明,我们在获得近乎最优效用的同时与输出扰动方法在经验上具有竞争力。
Feb, 2024
本文介绍一种适应数据变化的 IoT 异常检测框架:PWPAE 框架,通过对 IoT 数据流的分析来解决传统数据分析模型中经常出现的概念漂移问题,并对两个公共数据集进行了实验以证明该提议的 PWPAE 方法的有效性。
Sep, 2021
研究了分布式跟踪模型,包括功能性监控、通信成本、适应性对手和鲁棒计数跟踪,提出了一种具有最佳通信的鲁棒算法,并通过引入 “部分差分隐私” 和证明一个新的推广定理来解决分布式问题的挑战。
Nov, 2023