Privacy at Scale: Local Differential Privacy in Practice

最新推荐文章于 2022-11-02 00:16:27 发布

XueDaxuan

最新推荐文章于 2022-11-02 00:16:27 发布

阅读量338

点赞数

分类专栏：差分隐私文章标签： linq microsoft c#

本文链接：https://blog.csdn.net/daxuan1881/article/details/121771139

版权

差分隐私专栏收录该内容

18 篇文章 8 订阅

订阅专栏

该文章是一篇关于差分隐私的综述，介绍了LDP（Local Differential Privacy）的概念及其强隐私模型。文中提到了谷歌、苹果和微软在差分隐私实践中的应用，如RAPPOR项目和遥感数据收集。此外，还讨论了理论基础，包括不同定义的关系、噪声引入和组合定理。虽然频数估计部分略过，但作者指出了当前的研究方向和未来可能的问题及新趋势。

摘要由CSDN通过智能技术生成

文章属于综述，对于整个LDP的应用场景，方向都进行了系统概括。语言简单易懂，供我这种菜鸟学习，找到合适的方向。

Amplification论文：A. V. Evfimievski, J. Gehrke, and R. Srikant. Limiting privacy breaches in privacy preserving data mining. In PODS, pages 211–222. ACM, 2003.

2.2 行业发展

谷歌公司的RAPPOR对于网页地址的获取（没有获取用户习惯的前提下），苹果公司的成果，微软的遥感数据收集三方面。目前已经应用差分隐私做的一些落地成果。

2.3 理论基础

以上为本地化差分隐私概念。

In brief, LDP has a stronger privacy model than DP, but entails greater noise. We will also cover the refinements of the definition, i.e., the relationship between bounded and unbounded definitions, node-based and edge-based definitions (in graph problems), pure and non-pure definitions.We will also describe composition theorems, including parallel, sequential, and advanced composition in the local setting.