Nov, 2021

面向稀疏联合分析：使用分布式差分隐私和安全聚合的位置热图

PDF
TL;DR本文介绍了一种基于分布式差分隐私的、具有规模和自适应性的方法，用于生成来自数百万用户设备的位置热图，以保护隐私并在用户设备上最小化资源消耗。在公共位置数据集上进行的评估表明，此方法成功地生成了大城市规模的热图，与现有的类似精度的私有协议相比，客户端通信开销的最坏情况显着小得多。
发现论文，激发创造
  • 统一的位置差分隐私框架

    使用本研究提出的统一地理位置差分隐私 (DP) 框架，能够以个人数据保护为前提实现不同数据类型的地理区域内的隐私数据聚合，从而对聚合统计数据进行地理数据分析。

    May, 2024

  • 在时间相关性下利用差分隐私保护位置信息

    该论文提出了一种系统性解决方案以保护位置隐私，通过引入 “delta-location set” 基于差分隐私的定义来考虑位置数据中的时间相关性，提出了一个新的敏感度计算概念 —— 精度壳，为位置扰动提出了一个平面各向同性机制， 经实验验证，在数据的效用方面优于基线方法。

    Oct, 2014

  • 分布式离散高斯机制在带有安全聚合的联邦学习中的应用

    本文提出了一种基于离散高斯和安全聚合的训练模型方法，以保护私有数据。通过数据量化和添加离散高斯噪音，能够实现通信、隐私和准确性之间的复杂平衡，此方法在少于 16 位精度的情况下几乎能匹配集中式差分隐私的准确性水平。

    Feb, 2021

  • 基于位置的系统的差分隐私：地理不可区分性

    本文介绍了基于位置系统中用户隐私问题，提出了一种新的保障用户位置隐私的定义，并通过在用户位置中添加控制随机噪声的扰动技术来实现此目的，并与其他文献中的保护机制进行比较，结果表明我们的机制在不依赖于先验知识的情况下，为用户提供了最好的隐私保障。

    Dec, 2012

  • 具备差分隐私的联邦学习用于敏感健康数据

    本文介绍了一种联邦学习框架，可以从不同站点本地持有的分布式健康数据中学习全局模型，提供了两个级别的隐私保护，第一级别的隐私保护不在模型训练过程中移动或共享原始数据，第二级别的隐私保护使用差分隐私机制防止对模型的潜在隐私攻击，并在两个医疗应用程序上对我们的方法进行了全面评估，使用 100 万患者的真实世界电子健康数据，证明了联邦学习框架在提供更高级别的隐私保护和维护全局模型效用方面的可行性和有效性。

    Oct, 2019

  • 生成合成室内位置数据的差分隐私生成对抗网络

    使用差分隐私生成对抗网络的室内定位框架，为保护隐私同时保持定位系统的准确性提供解决方案。

    Apr, 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

  • 隐私定位小的聚类簇

    使用差分隐私的新算法定位少数点的集群，并可用于私人数据探索、聚类和去除异常值，同时大大放宽了样本和聚合技术的需求，可将非私有的分析编译为保护差分隐私的分析。

    Apr, 2016

  • 具有差分隐私的数据分析

    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

  • 具有差分隐私的联邦重要数据发现

    通过分布式算法，本文提出了一种隐私保护的方法来发现用户生成数据流中的高频数据，并探讨了隐私和效用之间的平衡，实验证明方法不仅具有良好的效用而且达到了强隐私保障。

    Feb, 2019