Oct, 2019

上下文感知的本地差分隐私

PDF
TL;DR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。
local differential privacyprivacy definitioncontext-aware frameworkdiscrete distribution estimationsample-optimal schemes
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 针对分布估计的效用优化局部差分隐私机制

    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

  • 多维数据的任务感知隐私保护

    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

  • (本地) 差分隐私对公平性无不同影响

    本文研究了使用 LDP 在学习问题中收集多个敏感属性对公平性的影响。作者提出了一种新的隐私预算分配方案，考虑了敏感属性的不同域大小，实验结果表明该方案在隐私 - 效用 - 公平性权衡方面优于现有解决方案。作者使用多个公平度量和七个最先进的 LDP 协议对三个基准数据集进行了广泛的实验研究，总体而言，结果挑战了不同隐私性在机器学习中必然导致公平性变差的共识。

    Apr, 2023

  • 具有本地差分隐私的广义线性赌博机

    本文介绍了使用本地差分隐私的情境赌博算法，为了在保持用户数据隐私不受侵犯的情况下个性化学习，利用了一种基于随机梯度下降法的估计器和更新机制来确保使用 LDP，并且在广义线性情境中利用了该方法。我们还开发了一个基于最小二乘法的评估器和更新机制，最后通过模拟和实际数据集的实验来证明了算法的性能在强隐私保护的条件下具有相当好的表现。

    Jun, 2021

  • 基于上下文感知的本地信息隐私数据聚合

    本文提出局部信息隐私 (LIP) 的概念，通过引入先验信息和优化模型的方法实现了保护用户隐私的数据聚合，取得了比现有方法更好的效用 - 隐私权衡。

    Apr, 2018

  • 联邦学习攻击：响应式 Web 用户界面从用户梯度中恢复训练数据

    本研究展示了一种基于局部差分隐私的交互式网络演示，展现了联合学习在局部差分隐私下的力量，并且演示了局部差分隐私如何防止不受信任的聚合器从联邦学习中恢复用户的敏感训练数据，同时提出了衡量聚合器还原数据程度的指标 exp-hamming recovery。

    Jun, 2020