Nov, 2018

从局部到中心差分隐私的扩大：通过匿名化实现

PDF
TL;DR本文研究了本地差分隐私模型下敏感统计信息的收集，提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，基于用户报告的匿名性，我们还展示了当以中心式差分隐私模型来看待时，我们的 LDP 算法的隐私成本实际上会更低。通过新的隐私放大技术，我们证明了任何置换不变的算法，满足 ε 局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。作为实际的推论，我们的研究结果表明，几个基于 LDP 的工业部署的隐私成本会比它们宣传的 ε 值所表示的要低得多，至少是在报告经过匿名化的情况下。
发现论文，激发创造
  • 基于混淆器的差分隐私的效用和安全性的改进

    本文研究了多方设置的本地差分隐私，并分析了系统模型和潜在对手，提出了新的算法和协议以在隐私和效用之间获得更好的平衡，并通过实验证明了我们提出的方法的好处。

    Aug, 2019

  • 本地差分隐私数据收集与分析

    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

  • 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

  • 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

  • 躲藏在克隆之中：洗牌隐私扩增的简单且几乎最优分析

    随机洗牌可显著提高局部随机化数据的差分隐私保证，我们提出了一种基于新方法的差分隐私算法，其具有渐近最优的依赖性，应用于洗牌模型中的频率估计，是简单且近乎最优的算法。

    Dec, 2020

  • 关于本地差分隐私在数据统计和分析中的综合调研

    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

  • 使用本地差分隐私收集和分析多维数据

    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。

    Jun, 2019

  • 来自匿名消息的私人计数：凭借消失通信开销的接近最优准确性

    本文介绍了中心模型、本地 DP 模型和洗牌 DP 模型，并提出了在洗牌 DP 模型下用于机器学习的两种基本聚合方法，其精度接近中心 DP 算法，而通信效率与不加隐私约束的通信需求基本匹配。

    Jun, 2021

  • 超越统计估计：洗牌模型中的差分隐私个体计算

    这项工作探讨了用于非统计计算的混洗隐私扩大的可行性，提出了一种新的混洗模型范例，并引入了统计上的随机标识，从而在保持隐私扩大同时实现关键的安全功能。实验结果表明，这种模型和机制在减少错误率、提高效用性能方面相对于非隐私设置快速并且实用。

    Jun, 2024

  • 演化数据的本地差分隐私

    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