Ano_onA的博客

通过几天对差分隐私的左思右想，总算是摸到了点门道，顺着学习思路，就一些比较关键性概念说一下自己的看法：一、关键性概念1、查询 对数据集的各种映射函数被定义为查询（Query），用 ={, , ......}来表示一组查询。2、邻近数据集（兄弟数据集） 设数据集与，具有相同的属性结构，两者对称差记作，||表示对称差的数量。若||=1，则称和为邻近数据集...

书接上文，这次来谈谈本地化差分隐私：一、背景 传统的差分隐私是将原始数据集中到一个数据中心，然后在此对数据施加差分隐私算法，并对外发布，称之为中心化差分隐私（Centralized Differential Privacy）。因此，中心化差分隐私有一个前提：可信的第三方数据收集者，即保证所收集的数据不会被窃取和泄露。然而，在实际生活中想找到一个真正可信的第三方数据...

最近看了一篇论文《Collecting and Analyzing Multidimensional Data with Local Differential Privacy》，其中最关键的就是本地化差分隐私技术（以下简称LDP）在收集分析数据时的各种实现机制：一、拉普拉斯机制 1、假设每个用户的数据记录包含一个数值属性，其值位于范围内； 2、定义...

下面来谈谈这篇论文提出的新的解决机制： 分段机制： 该篇论文提出的第一个改进机制称为分段机制（PM），将作为输入，并在中输出扰动值，其中： 的概率密度函数（pdf）是分段常数函数，如下所示： ...

下面是该篇论文提出的第二种解决方法：Hybrid Mechanism（混合机制）（简称HM）。 如上篇文章所讨论的，PM的最坏情况下的结果精度优于Laplace机制的精度，但是它仍然比Duchi等人的解决方案稍差一点，因为前者引起的噪声方差随的减小而减小，Duchi等人的解决方案会随着的减小而为增加。那能否构造一种既保留PM优势又同时不比Duchi等人的解决方案差的方...