![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
差分隐私
文章平均质量分 71
来杯黑美式
github:https://github.com/laiba345
展开
-
Matlab中unifrnd 函数使用
【代码】Matlab中unifrnd 函数使用。原创 2022-09-05 17:13:44 · 7250 阅读 · 0 评论 -
DP-Laplace Mechanism
差分隐私机制原创 2022-08-12 15:59:51 · 505 阅读 · 0 评论 -
DP-Differential Privacy概念介绍
DP-Differential Privacy概念介绍原创 2022-08-08 22:29:51 · 496 阅读 · 0 评论 -
马尔可夫链
引入假设有一个由离散状态的集合S={S1,S2,…, Sn}描述的离散时间系统。比如,天气可以由状态的集合S={雨,晴,雪}来描述。我们用符号S(t)记在时刻t时的状态。初始状态为S(0),在下一个时刻的状态为S(1),以此类推。从一个时刻到下一个时刻,系统状态可能会改变,也可能保持不变。从一个状态转移到另一个状态完全依概率进行。在一阶马尔可夫过程,也称为一阶马尔可夫链中,系统转移到下一时刻的任一给定状态的概率仅依赖于当前状态:也就是说,这个概率独立于以前的所有状态。将系统从一个时刻到下一个时刻由状态i原创 2022-05-14 16:24:07 · 2118 阅读 · 0 评论 -
差分隐私:原理,应用与展望
隐私保护的挑战例子一一个简单的做法:将数据匿名化这样的做法看似合理,但其实并不能真的保护隐私原因:匿名化之后的数据往往还保留着许多可能泄漏隐私的信息可能在别的地方得到一些数据以后,数据进行匹配以后,会反推出用户信息,从而破坏用户隐私比如:九十年代中期,美国马萨诸塞州一政府部门就曾遭受这样的攻击他们发布了匿名化的员工医疗记录用于研究后果:当时的州长的医疗记录被泄漏后续研究表明,63%的美国人口有着唯一的{出生日期、性别、邮编}组合,这说明有着63%的人可能面临着暴露身份既然原创 2022-04-09 21:36:18 · 7833 阅读 · 0 评论 -
交通轨迹数据发布差分隐私保护算法研究
交通轨迹数据发布差分隐私保护算法研究前面都是讲述的是一些基础知识算法研究:算法包含三个模块:初始化模块、噪声前缀树构建模块、轨迹数据集合成模块。该论文提出的前缀树取消了每一子层的分类树,节省了隐私预算,减少了噪声的添加算法的隐私预算分配机制考虑了父节点和 子节点计数值之间存在的规律,设计了逐层递增的隐私预算分配方式,提高了算法输出的净化后的轨迹序列数据集可用性提出一种时空维度缩减方法,依据地点 之间的最短可达时间矩阵,在不消耗任何隐私预算的情况下,缩减了地点和时间组合 的维度,降低了维度爆炸的原创 2021-11-15 23:15:13 · 2179 阅读 · 2 评论 -
ε-差分隐私之拉普拉斯噪声机制(定义 + 证明 + 代码)
ε-差分隐私之拉普拉斯噪声机制差分隐私的描述1-范式的定义:使用matlab调用函数norm(x, 1)更多范式见 范式差分隐私的定义应该满足拉普拉斯噪声的证明全过程如下:DP方向差分隐私证明是基本入门!!!-拉普拉斯噪声分布代码Laplace分布的概率密度函数的形式是:使用python - matplotlib来绘制概率分布图:import matplotlib.pyplot as pltimport numpy as npdef laplace_fun原创 2021-11-13 15:16:50 · 14281 阅读 · 6 评论 -
面向数据发布和分析的差分隐私保护 -- 张啸剑
面向数据发布和分析的差分隐私保护读这篇综述的随记基于k-匿名或者划分的隐私保护方法,只适应特定背景知识下的攻击而存在严重的局限性.差分隐私作为一种新出现的隐私保护框架,能够防止攻击者拥有任意背景知识下的攻击并提供有力的保护。如何发布和分析而不泄露隐私信息是隐私保护技术的主要目的。k-匿名和划分的隐私保护方法,尽管这些方法可以保护数据的更多细节,但是都需要特殊的攻击假设和背景知识。差分隐私已经成为一种新的隐私保护模型,该模型不关心攻击者拥有多少背景知识,通过向查询或者分析结果中添加适当噪声来达到隐原创 2021-11-09 20:39:48 · 3172 阅读 · 3 评论 -
差分隐私(DP)中隐私预算ε的理解
差分隐私的定义关于差分隐私当中隐私预算ε有几个比较重要的点:ε在隐私保护当中,越小表示保护程度越高在公式当中ε是单次查询的预算,而隐私预算一般指的是所有查询所用的预算论文当中指出“机制M满足ε-differential private”一般指的是单次预算,有的时候会进行组合讨论差分隐私方向比较好的书籍:Dwork的 The Algorithmic Foundations of Differential Privacy对于如何设置隐私预算还没有通用的规范,可以多看论文公式里面ε是单次查询的预原创 2021-11-09 09:30:13 · 7949 阅读 · 0 评论 -
师兄毕业论文 -- 交通轨迹数据发布差分隐私保护算法研究(2020)
交通轨迹数据发布差分隐私保护算法研究(2020)记录一些比较关键重要的点1、论文摘要,几个重要观点:用户大量的轨迹数据,如果未经任何处理,数据管理员就直接发布,用户的个人隐私就会被泄露针对智能交通卡数据规模大、维度高以及稀疏的特点,本文围绕在满足差分隐私保护的前提下如何实现交通轨迹数据保护、以及频繁轨迹序列挖掘展开研究具体研究的工作:提出交通轨迹数据发布差分隐私保护算法 – 根据时空轨迹数据构建一颗无噪声的前缀树,前缀树保存了轨迹的公共前缀信息,包括时间戳、地点及计数。提出差分隐私保护的频原创 2021-11-07 16:06:16 · 1327 阅读 · 2 评论 -
前缀树(字典树)
前缀树(字典树)所以也叫 Trie树 – 字典树/单词查找树/键树 ,是一种树形结构,是一种哈希树的变种,典型应用是用于统计,排序和保存大量的字符串(但不仅限于字符串),所以经常被搜索引擎系统用于文本词频统计。它的优点是:利用***字符串的公共前缀来减少查询时间***(常用于论文研究的最大原因),最大限度地减少无谓的字符串比较,查询效率比哈希树高。前缀树可以高效地存储和检索字符串数据集中的键,这一个数据结构有相当多的应用场景,例如:自动补全和拼写检查前缀树的三个基本性质:根节点不包含字符,除原创 2021-11-06 11:45:59 · 382 阅读 · 0 评论 -
带有下标的双竖线, L0,L1,L2范式
直接通过举例来说明即可!!!原创 2021-10-29 22:30:13 · 717 阅读 · 2 评论 -
差分隐私DP的一些重要概念
差分隐私DP的一些重要概念计算机专业研究生在读 – 差分隐私方向DP以概率的形式描述原始数据集的微小变化对最终统计输出的影响,通过隐私参数ε来约束这一概率变化,实现隐私保护目的,ε-差分隐私定义:2.(相邻数据集) 若D与D‘为相邻数据集,那么D’可以通过D添加、删除、修改一条数据来得到。3、向量范数4、全局敏感度某查询的全局敏感度是以两相邻数据集上查询结果的最大l1-范数差值来进行定义的...原创 2021-10-21 22:10:33 · 1185 阅读 · 1 评论