Nov, 2023

智能电表数据共享的局部差分隐私

PDF
TL;DR本文提出了一种新颖的局部差分隐私方法（称为 LDP-SmartEnergy），利用滑动窗口和随机响应技术，在不揭示个人用户的设备使用模式的情况下，促进了随时间共享设备级能耗数据。评估结果表明，与基准方法相比，LDP-SmartEnergy 的运行效率高，同时结果还表明我们的解决方案在保护隐私和保持数据有效分析的效用之间取得了平衡。
energy disaggregation techniquessmart meter dataprivacy riskslocal differential privacyappliance-level energy consumption data
发现论文，激发创造
  • 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

  • 使用本地差分隐私对智能设备用户数据进行收集和分析

    Harmony 是一种实用、准确和高效的系统，支持从智能设备用户收集和分析多维度数据以及应用于基本的统计学和复杂的机器学习任务，并满足本地差分隐私技术的要求，以解决数据收集可能引起的隐私问题。

    Jun, 2016

  • 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

  • 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

  • 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

  • 私密收集遥测数据

    本文提出了一种适用于重复计数数据收集的新型局部差分隐私算法，并在实际数据集上进行了验证，实现在任意长时间内都能保证隐私的同时提供准确的数据估计

    Dec, 2017

  • 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

  • 上下文感知的本地差分隐私

    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。

    Oct, 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

  • (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