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
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
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
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
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。
Nov, 2021
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。
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
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