Sep, 2024

QueryCheetah：针对查询系统的快速自动化属性推断攻击发现

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 私密发布合取和统计查询障碍

    本研究提出了两个结果，第一个结果说明了在 Kearns' SQ 模型中，对一组统计查询 C 生成错误率较小的所有答案需要的统计查询次数是对偶学习复杂度；第二个结果能高效地解决问题，只要能够通过子模函数描述 C 的答案集。这两个结果对隐私保护数据分析产生了积极的应用，使其得到了重大进展。

    Nov, 2010

  • 非交互式数据库隐私的学习理论方法

    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

  • 双重查询：针对高维数据的实用私有查询发布

    提出了一种实用的差分隐私算法，可以回答高维数据集上的大量查询，并将计算困难的步骤封装为一个简洁定义的整数规划问题，以实现高效的回答。通过在Netflix数据集上的实验，证明了该算法的精度和隐私性定理，并提出了比现有技术显著改进的方案。

    Feb, 2014

  • 线性查询处理的凸优化在近似差分隐私下的应用

    通过解决凸优化问题，利用Newton方法能够找到基于（Ε，δ）差分隐私下的合适策略，以计算数据的相关聚合，从而提高结果准确度。

    Feb, 2016

  • 通过自适应投影实现差分隐私查询发布

    提出了一种新的算法，用于发布对包括k路边际在内的非常大量的统计查询回答，该算法采用连续松弛的投影机制，使其在隐私数据集上回答查询并尝试找到最接近噪声回答的合成数据集，并通过不断适应地发现在其（松弛的）合成数据上具有高误差的查询，以达到节省隐私预算的目的，通过使用ML优化技术和工具，该方法在许多情况下优于现有算法。

    Mar, 2021

  • 检索系统中公共和私有数据的推理

    该论文提出了适用于不同隐私范围下的公共-私人自回归信息检索 (PAIR) 隐私框架，并介绍了 ConcurrentQA 作为第一个需要多数据分布并发检索的 QA 基准。同时，论文发现现有系统在处理该检索设置时存在着很大的隐私与性能权衡问题，并研究如何缓解这些问题。

    Mar, 2022

  • 查询偏差是否泄漏保护属性？通过平滑灵敏度实现隐私保护

    研究表明，要确保模型开发人员无法通过查询公平度量来了解个体的受保护属性，提出了一个新技术 Attribute-Conceal 来实现差分隐私，避免了普通机制的局限性。

    Nov, 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

  • 隐私配置用于私人选择

    本研究通过使用Rényi DP等现代数值隐私核算工具，提出了一种易于使用的方法来限制ReportNoisyMax和PrivateTuning的隐私特性，并在端到端的隐私学习实验中取得了显著的改进。同时，分析结果还指出了在特定领域中使用二项分布来随机化回合数可以获得更大的改进。

    Feb, 2024

  • TableGuard -- 保护结构化和非结构化数据的安全

    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。

    Aug, 2024