SoK:差分隐私
本文提出一种异构的差分隐私概念,旨在充分考虑用户之间的隐私态度和期望差异,结合 Laplacian 机制实现个性化系统中的隐私保护,并在真实数据集上实验证明该方法能够在保障隐私同时保持良好的语义聚类结果。
Apr, 2015
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
本文探讨了 “浓缩差分隐私” 的概念,将其用 Renyi 散度重新构建,得到更为精确的量化结果,并探讨了一些相关问题。同时,本文还通过给出 “近似浓缩差分隐私” 的定义,将这种方法与 “近似差分隐私” 相统一。
May, 2016
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
本文介绍了一种新的私有空间分解方法,将标准的空间分布方法与差分隐私相适应,提供了隐私保证,并分析了一些关键实例,实验研究证明可以高效地构建这种空间分解并用于各种查询。
Mar, 2011
本文研究了一种简单的乘法数据库转换方法,它可以利用随机线性或仿射变换对数据进行压缩,从而显著降低数据记录的数量,并保持原始输入变量的数量。通过差分隐私(Dwork 06)概念,本文提供了一个分析框架,旨在表明,尽管实现差分隐私保证存在一般的困难,但可以公开用于一些常见的统计学习应用的合成数据。这包括针对高维稀疏回归(Zhou et al. 07)、主成分分析(PCA)和基于初始数据协方差的其他统计测量(Liu et al. 06)
Jan, 2009
本文从隐私的角度研究了数据差分隐私在图结构数据上的应用,讨论了适用于图发布及其相关统计数据的差分隐私公式以及基于图的数据机器学习,包括图神经网络 (GNNs)。通过对已有工作分类以及讨论挑战和应用前景,系统化地研究了不同的图差分隐私公式,并将这些工作分为图分析任务和基于 GNNs 的图学习任务。文章最后讨论了当前领域存在的问题和未来研究的方向。
Mar, 2022