阅20《差分隐私模型的启发式隐私参数设置策略》思考

最新推荐文章于 2022-09-06 11:40:17 发布
最新推荐文章于 2022-09-06 11:40:17 发布
阅读量216 收藏
点赞数
分类专栏： 差分隐私 思考&讨论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_36183354/article/details/101383858
版权

  1. Ɛ 的设置有什么依据？

  2. K-anonymous 和 L-diversity 在文中有提到它们的基本思想，但是很显然，我还没有理解。

  3. 先验概率和后验概率的定义

  4. 在攻击模型中的 f 的敏感度不知道怎么计算

  5. 怎么得出的p-差分可识别是LPBDP的特例呢

  6. UCI的Adult数据库是什么，怎么得到的实验数据

Max_J999
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
论文研究-差分隐私模型的启发式隐私参数设置策略.pdf
07-22
LPBDP通过如下启发式原则设置隐私参数ε：如果攻击者关于目标受害者的先验概率小于阈值ρ1，攻击者得到差分隐私查询策略返回的加噪结果后，关于目标受害者的后验概率必须小于阈值ρ2。实验表明，LPBDP能够更直观地...
差分隐私（Differential Privacy）
最新发布
Michale_L的博客
04-25 7299
差分隐私，拉普拉斯机制和高斯机制的证明
密码学小知识(9)：差分隐私（Differential Privacy）
cryptocxf的博客
04-21 3491
首先要明白什么是隐私？若单个用户的某个属性可以是隐私，而一群用户的某个属性就可以不看做隐私了。例如，张三喜欢抽烟，所以得了肺癌。这个“张三得了肺癌”这条信息就是隐私。而医院里，抽烟的人容易得肺癌，这就不属于隐私。 因此，差分隐私是来保护隐私的密码学技术，通过对查询的结果加入噪声，而使得攻击者无法判断某个样本是否在数据集中。 差分隐私（Differential Privacy），简称DP，旨在传输的梯度信息中加入随机噪声，并将其查询操作的实际结果隐藏起来或者模糊化，直至无法区分，从而实现对私密数据的保护。 D
初谈差分隐私
minimumZHU的博客
04-21 1931
差分隐私简介 差分隐私是属于密码学的远亲，没有传统意义上的加密解密，更多的来说它应该属于隐私保护的范畴。在详细的介绍差分隐私之前，要给大家简单的介绍下隐私保护的概念。 隐私保护主要由两个部分组成，一个是语法隐私，一个是语义隐私。语法隐私：要求发布的数据集中每条记录都无法被攻击者从其他的一定数量的相似的记录中区分开来，从而对攻击者的攻击造成干扰。具体的代表由K-匿名以及K-匿名的衍生，比如在K-匿名基础上提出l-diversity ...
技术干货 | 一文弄懂差分隐私原理！
Kenji_Shinji的博客
09-06 1万+
图1 随机算法在邻近数据集上的概率差分隐私有两个重要的优点：差分隐私假设攻击者能够获得除目标记录以外的所有其他记录信息，这些信息的总和可以理解为攻击者能够掌握的最大背景知识，在这个强大的假设下，差分隐私保护无需考虑攻击者所拥有的任何可能的背景知识。差分隐私建立在严格的数学定义上，提供了可量化评估的方法。因此差分隐私保护技术是一种公认的较为严格和健壮的隐私保护机制。
关于差分隐私的一些基本概念的整理
test
11-22 6244
引言 在过去的二十年中，公司，组织和政府所收集的数字信息形成了大量的数据集，并且这种数据收集的速度在最近几年中得到了极大的提高。 通常，数据收集者负责发布数据用以进行进一步分析。 然而，大部分收集的数据集都包含隐私或者敏感的信息。 即使数据收集者可以应用几种简单的匿名化技术，敏感的个人信息仍然很有可能被公开。 因此，隐私保护已成为迫切需要解决的问题。 研究人员提出了各种保护个人隐私的方法,并将这些方法及其隐私标准定义为一个隐私模型。如图1所示，隐私模型位于受信任的数据收集者（Curator）和不受信任的公众
测试建模：启发式测试策略模型(HeuristicTestStrategyModel)
03-23
启发式测试策略模型(HeuristicTestStrategyModel，简称HTSM)是测试专家JamesBach提出的一组帮助测试设计的指南(guideline)。本文将介绍HTSM的内容与应用。 　启发式测试策略模型(HeuristicTestStrategyModel，简称...
启发式测试策略模型
11-19
HTSM,启发式测试策略，帮助我们在进行测试设计时提高覆盖面，从源端避免遗漏
基于模型的机组组合两阶段启发式算法
01-14
针对同时考虑机组爬坡速率约束和系统安全约束的机组组合问题, 提出一个基于模型的两阶段启发式算法. 第1 阶段确定可行的机组启停状态. 首先构造初始启停状态, 并根据模型检验初始启停状态是否可行. 如果不可行, 则...
基于启发式NDFS的模型检测新算法
04-27
chi自动机为研究对象,提出基于启发式NDFS的模型检测新算法.该算法结合on-the-fly算法与启发式NDFS算法,能较快地判断出广义Büchi自动机非空性,通过理论证明和实验验证了算法的正确性和可行性.与已有算法相比,在...
差分隐私（Differential privacy）浅析
热门推荐
Ano_onA的博客
09-05 4万+
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...
差分隐私基础知识-上
NigeloYang
02-27 7314
差分隐私定义： 假设一个随机函数 M , 使得 M 在任意两个相邻的数据集 D 和 D’(即||D -D'||_1 <= 1)上得到任意相同输出集合 S 的概率满足： Pr[M(D) ∈ S] ⩽ exp(ε) * Pr[M(D′) ∈ S] + δ 则称该随机函数 M 满足(ε,δ)-differential privacy，简写为(ε,δ)-DP 这种形式的差分隐私是宽松的. 当 δ=0 时，称为 ε-DP也就是纯差分隐私定义. 其中 ε 称为隐私预算. 部分内容说明 隐私损失 差分隐私（DP
差分隐私
xff1994的博客
02-08 8942
上一篇介绍了数据脱敏的三种基本方法，这里介绍另一种方法——差分隐私。差分隐私的优点在于其不需要特殊的攻击假设，不关心攻击者拥有的背景知识，量化分析隐私泄露风险。 核心研究问题：在满足差分隐私的前提下提高发布统计数据的可用性及算法的效率。 ε-差分隐私保护 对数据集D的各种映射函数被定义为查询（Query），用 F={f1,f2,⋅⋅⋅⋅⋅⋅}F=\{f1, f2, ······\}F={f1,f2...
差分隐私简介
weixin_34082177的博客
03-19 1100
\要点\\差分隐私可以通过向聚合查询结果添加随机化\"噪声\"来实现，以保护个人的条目，而不会显著改变查询结果。\\t\\t差分隐私算法保证攻击者能获取的个人数据几乎和他们从没有这个人记录的数据集中能获取的相差无几。\\t\\t最简单的算法之一是拉普拉斯机制，可以对聚合查询的结果进行后期处理。\\t\\t苹果和谷歌分别在iOS和Chrome中使用差分隐私技术。差分隐私算法也已经在隐私保护分析产品中...
(一) 差分隐私基本概念
DreamK_Y的博客
07-02 2170
差分隐私基本概念： 攻击者通过将用户的出生日期、性别、邮编等准标识符数据进行组合，常常能推断并锁定特定个体，进而获取该个体其他重要的隐私信息，k-anonymity 机制及其扩展模型往往难以应对这种组合式攻击、一致性攻击等模型。而差分隐私不需要考虑攻击者背景知识。 差分隐私保护:模型假定攻击者掌握了任何关于数据的背景知识，并且对隐私保护的程度提供严格的数学证明。即使攻击者已经知道除一条记录外的所有记录，仍然无法推断出有关这条记录的任何敏感属性 常用差分隐私的数据发布技术： 数据直方图、分区、采样&过
差分隐私保护及应用简略了解
u010603891的博客
10-10 1万+
本人数学一直超差，差分隐私保护又是基于概率统计数学知识的，看的真是头大。。。但还是把所看的东西串起来记录一下吧。如有看到不正确的地方，还望指正！！ 一：差分隐私基本概念 这是差分隐私保护的最基本概念了，首先得理解数据集D和,成为兄弟数据集。两个数据集中的记录最多相差一一条记录，例如：数据集1=（1,2,3,4），数据集2=（1,2,3），数据集3=（2，3,4,5）；数据集1和数据集2求差...
差分隐私技术概论
qq_45113223的博客
04-17 5172
1.隐私保护的挑战 场景： 在上面场景中，我们要与研究者分享病人的医疗数据，怎样才能保护病人的隐私？ 做法1：将数据匿名化，也就是将数据中病人的名字和身份证号码等可以唯一识别病人的信息去掉，将其余的信息提供给研究者，如下图所示 分析：这样的作法其实并不能真的保护隐私，因为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，如上图所示，还保留着病人的出生日期、姓名和邮编，如果攻击者能在别处获得许多人的姓名、出生日期、性别和邮编的话，与上图病人的数据进行对应，就能反推出病人的姓名 .
差分隐私（I）
sinat_38885850的博客
11-24 1万+
提出 隐私保护整体分成9个部分，包括隐私信息产生、隐私感知、隐私保护、隐私发布、私信息存储, 隐私交换, 隐私分析, 隐私销毁, 隐私接收者。主要研究方向在在隐私保护, 隐私发布/存储/交换, 隐私分析这 3 个部分。 隐私保护的方式分成以下三种包括，数据失真，加密，以及访问控制。目前的很多隐私保护技术往往结合了其中的多种技术。我们熟知的就是k-匿名算法、l-匿名算法、t-匿名算法等等。 但这些...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Max_J999

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值