介绍
前言
一、差分隐私的承诺
隐私保护的数据分析
参考文献
二、基本术语
计算模型
定义隐私数据分析
形式化差分隐私
形式化差分隐私(1)
形式化差分隐私(2)
差分隐私定义补充说明
参考文献
三、基本技术与合成定理
概率工具
随机响应
Laplace机制
Exponential机制
合成定理
3.5.1 合成:一些技术细节
3.5.2 高级合成技术
3.5.3 拉普拉斯vs高斯
3.5.4 合成定理注释
稀疏向量技术
3.6.1 高于阈值算法
3.6.2 稀疏算法
3.6.3 数值稀疏算法
参考文献
四、带相关误差的线性查询
SmallDB:离线算法
SmallDB:精确边界
可乘权重算法:在线机制
可乘权重算法更新规则
数值稀疏向量可乘权重算法
参考文献
五、差分隐私泛化
𝞪-nets机制
迭代构建机制
机制关联
参考文献
六、查询增强
查询算法增强
基本概要生成器
参考文献
七、非典型最坏敏感度
子样本与聚合
提出、测试、发布
稳定性与隐私性
八、差分隐私下界与分离结果
重建攻击
差分隐私下界
参考文献
九、差分隐私与计算复杂性
多项式时间数据提供者
难合成分布
多项式时间对手
参考文献
十、差分隐私与机制设计
差分隐私作为解决概念
差分隐私作为机制设计的工具
设计隐私保护代理机制
参考文献
十一、差分隐私与机器学习
复杂差分隐私机器学习例子
差分隐私在线学习
经验风险最小化函数
参考文献
十二、其他差分隐私模型
本地模型
Pan-private流模型
连续观察
查询发布的平均案例错误
参考文献
十三、思考
面向隐私保护实践
差分隐私展望
本书使用 GitBook 发布
二、基本术语
二、基本术语
本节提出了差分隐私的形式化定义,并列举了它的一些关键特性。
results matching "
"
No results matching "
"