本文提出了一个转换系统抽象框架,旨在增强神经网络动态系统模型的可解释性,应用于复杂的动态系统如人类行为学习和验证。
Feb, 2024
论文证明,私人发布用于大量查询的合成数据库是可能的,但仅针对离散领域,并提供了一种新的数据隐私概念:分布隐私。
Sep, 2011
本文提出了一种信息论框架,以量化保护隐私和提供有用信息之间的平衡,并将此框架应用于分类和数值数据,提供了合适的编码方案和实践价值。
Feb, 2011
本文首次尝试以差分隐私为基础的拓扑数据分析,产生了近乎最优的私有持久性图。研究表明,使用 $L^1$-DTM 持久性图在灵敏度方面的表现更佳,并提出了使用指数机制进行隐私保护的方案。通过模拟和实验数据验证,证明了提出的隐私机制近乎最优的准确性。
May, 2023
本文研究数据驱动模型识别的问题,提出了逼近未知动态和推断未知逻辑规范的数据驱动方法,并利用基于优化的算法分析了学习 / 推断的模型 - 任务对的区别,为该集合中与新观察不一致的模型 - 任务对规定模型推断的逻辑规范的大小,以增加模型鉴别算法的计算效率。
Jun, 2023
本文介绍差分隐私与最小 Rény 熵互信息相关性的模型,指出差分隐私可推出对互信息的限制,同时提供了一个在保持差分隐私的前提下产生最大随机值的方法.
Mar, 2011
如何在个人的隐私需求和安全顾虑中实现个体之间的信息交流以彼此学习?通过采用严格的统计担保,基于差分隐私(DP)控制信息泄露,我们使得保护个人隐私和实现高效社会学习成为可能。我们的研究结果揭示了在质量、学习准确性、通信成本和个体隐私保护水平之间在有限和无限信号环境下的权衡性质。
本文提出了一种基于差分隐私的机制,以保证数据查询的数据隐私和查询效用之间的平衡。机制包含了每个可能的用户的期望最小化的代价函数,并且针对每个固定数量的查询和差分隐私级别,存在一种几何机制可以同时保证每个可能用户的最佳实用性,这是一种极强的实用性保障。
Nov, 2008
该论文提出了一种将数据真实性验证和隐私保护高效集成于数据市场中的方案 TPDM,其中使用部分同态加密和基于身份的签名,通过加密 - 签名方式同时方便批量验证、数据处理和结果验证,同时保持身份保护和数据机密性。
Dec, 2018
提出一个保护多智能体系统的隐私的框架,通过应用差分隐私机制来保障多智能体间的通信,并分析隐私强度和团队表现之间的权衡,进而综合出了一种鲁棒性好的策略,该策略将总相关度的价值减少,使得在私有和非私有通信实现下团队表现的差别仅为 3%。
Jan, 2023