Aug, 2024

TableGuard -- 保护结构化和非结构化数据的安全

HTML
PDF
TL;DR本研究针对敏感信息的隐私和安全性面临的挑战，提出了“TableGuard”，一种针对关系型数据库的数据模糊化创新方法。通过结合上下文敏感模糊化技术，TableGuard能够在确保数据功能性和完整性的前提下，有效地降低信息损失，为安全的数据共享提供了坚实的框架。
发现论文，激发创造
  • 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

  • 数据混淆实现隐私保护机器学习

    该论文提出了一种新的通用方法——混淆函数，可在不泄露机器学习训练数据的前提下保护其中的隐私信息，并成功地抵御了四种现有的机器学习隐私攻击。

    Jul, 2018

  • 带标签的分布式转移系统用于隐私分析

    DLTTS是一个逻辑框架，它形式化地模拟了一个给定的数据库，如何通过代理/对手反复查询数据库。

    Apr, 2022

  • QuerySnout：自动化发现基于查询系统的属性推断攻击

    本文介绍了 QuerySnout 方法，这是一种自动发现 Query-based 系统漏洞的方法，该方法可以自动分析数据集来发现这些漏洞并测试各种保护机制的有效性。

    Nov, 2022

  • PII之生命：PII混淆变压器

    本文提出了“Life of PII”——一种新颖的基于Transformer框架的PII伪装转换器来保护敏感个人身份信息的隐私，此方法比传统的数据扰动技术更加有效，具有更大的隐私保护和数据实用性之间的灵活性并提供了真实世界应用所需的解决方案。

    May, 2023

  • SecureLLM：使用组合性构建令人信服的保密语言模型，用于私密、敏感和机密数据

    传统安全机制与数据的访问权限分离，此论文通过在LLMs的结构中反映这种安全机制的组成性质，构建了一个可证明安全的LLM(称为SecureLLM)，并结合访问安全和微调方法来保护敏感数据。

    May, 2024

  • 使用大型语言模型的差分隐私表格数据合成

    使用预训练的大型语言模型（LLMs），DP-LLMTGen引入了一种新的框架来进行差分私有表格数据合成，通过微调过程模拟敏感数据集并生成多样的合成数据，有效地解决了实际挑战。

    Jun, 2024

  • 数据剽窃指数：表格生成模型中的数据复制隐私风险特征

    该论文提出了一种新的相似性度量和数据剽窃指数（DPI）来评估表格数据的数据复制，并表征了相应的隐私风险。同时，论文指出DPI鉴定的数据复制对常见的高性能架构而言存在隐私和公平威胁，强调了需要更复杂的生成模型技术来减轻这个问题。

    Jun, 2024

  • ObfuscaTune: 私有数据上的混淆离线微调和推断

    对一个模型提供者所拥有的专有 LLM 在第三方云提供商的计算基础设施上对另一个数据所有者所拥有的机密/私有数据进行推理和微调的问题进行了研究，提出了一种结合简单而有效的混淆技术和保密计算的新颖、高效且完全保护数据可用性的方法 ObfuscaTune，并在四个 NLP 基准数据集上验证了其有效性，并将其与我们方法的一个朴素版本进行了比较以强调使用低条件数的随机矩阵在我们的方法中减少混淆引起的错误的必要性。

    Jul, 2024

  • QueryCheetah：针对查询系统的快速自动化属性推断攻击发现

    本研究解决了查询系统（QBSs）中隐私攻击发现的效率问题，提出了快速有效的QueryCheetah方法。通过对属性推断攻击的实例化，证明其不仅能发现比以往更强的攻击，还比现有最先进的方法快18倍，从而显著提高了系统开发者评估隐私风险的能力。

    Sep, 2024