- 博客(6)
- 收藏
- 关注
RSS订阅原创 论文笔记（五）面向大规模智能计量的分布式差分隐私
Distributional Differential Privacy for Large-Scale Smart Metering面向大规模智能计量的分布式差分隐私摘要在智能电网中，通过应用基于精细负荷预测的控制机制来匹配供需是可能的。每个控制机制的一个关键组成部分是监控，即通过智能电表网络执行查询。然而，智能电表可以了解我们的生活，如果我们要使用这些方法，保护隐私就变得势在必行。最近的提议建议将提供者限制为不同的私人查询，但是这种方法的实用性还没有得到解决。在这里，我们解决了这种方法的一个重要问题
2020-11-30 16:50:38
629
原创 论文笔记（三）构建一个安全且保护隐私的智能电网
构建一个安全且保护隐私的智能电网Building a Secure and Privacy-Preserving Smart Grid摘要计算机化计量和数据收集的新技术将创造一个更高效、更经济、适应性更强的智能电网。然而，智能电网数据收集的天真实现可能会危及消费者的隐私，对隐私的担忧是智能电网技术推广的一个重大障碍。我们的工作提出了一个智能计量系统的设计，该系统将允许公用事业有效地使用收集的数据，同时保护个人消费者的隐私。introduction智能电网技术具有极大改善电网的潜力。与传统的模拟电表
2020-11-26 21:25:02
488
原创 论文笔记（二） 面向模式感知的隐私保护实时数据采集
Towards Pattern-aware Privacy-preserving Real-time Data Collection面向模式感知的隐私保护实时数据采集摘要虽然从用户收集的时间序列数据可用于为各种应用程序提供服务，但它们可能会泄露用户的敏感信息。最近，本地差异隐私(LDP)作为保护数据隐私的最新方法出现，在外包之前通过在本地扰动数据来保护数据隐私。然而，现有的基于低密度脂蛋白的工作分别扰动每个数据点，而没有考虑时间序列中连续数据点之间的相关性。因此，每个时间序列的重要模式可能被现有的基于
2020-11-25 17:00:54
929
原创 differential privacy 学习笔记（二）
拉普拉斯实现机制拉普拉斯分布如果一个随机变量的概率密度函数满足那么称这个随机变量满足拉普拉斯分布，其中b是尺度参数，u是位置参数，其分布图如下：均值为u，方差为2b^2敏感度对于一个查询函数q（），敏感度函数S（q）定义为：函数在邻近数据集D和D’上查询结果差值的最大值即为敏感度S（q）。例如对于求和查询函数，敏感度S（q）=1拉普拉斯机制的实现如果对于一个查询函数q的敏感度为...
2019-12-11 10:46:46
478
原创 论文笔记（一）面向深度学习的差异化私有模型发布
Differentially Private Model Publishing for Deep Learning2019IEEE Symposium on Security and PrivacyAbstract基于神经网络的深度学习技术已经在人工智能领域取得了巨大的成功。大规模的训练数据集是其成功的关键因素之一。然而，当训练数据集众包自个体并包含敏感信息时，模型参数可能会对隐私信息进行编...
2019-11-18 18:05:23
1457
8
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人