RANDOMIZED RESPONSE: A SURVEY TECHNIQUE FOR ELIMINATING EVASIVE ANSWER BIAS笔记

已于 2022-09-12 21:44:51 修改
阅读量208 收藏
点赞数
文章标签： 数据仓库
于 2022-09-12 21:17:50 首次发布
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/weixin_39580353/article/details/126822194
版权

RANDOMIZED RESPONSE: A SURVEY TECHNIQUE FOR ELIMINATING EVASIVE ANSWER BIAS笔记

初学者，很粗略的笔记 欢迎大家指正～

motivation

在做调查时，很多人都可能不会回答真实的答案，我们很难知道这样的做法会造成多大的偏差。随机响应方法可以减少采访者所泄漏的信息。在这一方法中，被采访者并不会直接回答问题，回答的是基于概率的那种问题。 也就是说被采访者回答的是正确答案的概率是小于1的。在这一过程中只有他自己知道这个答案是否是正确的。

how

假设共有两组 A和B 想知道某人是属于哪个组
假设他是A组的可能性是p 是B组的可能性是1-p 询问过程中 被采访者的回答不是他属于哪个组 而是只是回答 当前的这个组是不是他所属于的（用spin指示）

计算过程

条件概率 -> 极大似然值 由此得到估计量后 计算估计量的均值、方差 判断是否无偏
均值的作用是判断是否无偏

在数据量较大的情况下会更好

引用文本

图片: 在这里插入图片描述
在这里插入图片描述
计算的是条件概率，因为原文中用到了spinner 所以在这里他的意思就是 spinner指向的恰好就是真实的答案

计算得估计量
这里是通过极大似然估计求得吗？

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
最终求得
在这里插入图片描述
需要证明这个估计量是否是无偏估计量 所以计算估计量的期望值是否和变量pai相等 （具体why？？）
同时还要计算方差值（这里也没有想明白是为什么）

评价指标：MSE均方误差

最终的实验：在真实的概率值下 Ta和Tb两个组 告诉真实值的概率
概率相同时 两者 bias也相同 回答的概率？估计值中相关的概率值p越大 mse越小

A越小 mse越大。
so这样做实验的原因？

和硬币的关系
之前看过有的笔记中将随机响应用不规则硬币来解释
如果是正面 就回答
反面就抛第二次再回答 以此类推
https://zhuanlan.zhihu.com/p/431118852
这篇文章中说不一定非要抛两次硬币
得出的结论是只要有回答yes的人数和p扰动概率即可得到真实的情况就可以
他的证明方法是
我目前的简单理解就是 计算了条件概率 极大似然估计后 证明是无偏估计
得出只有p和回答yes的人数即可 c是yes的人数

在这里插入图片描述
那么是否证明是无偏估计即可呢？

weixin_39580353
关注
RAPPOR: Randomized Aggregatable Privacy-PreservingOrdinal Response略读
MewGul的博客
07-29 4156
RAPPOR 算法基础 用户将数据进行扰动后发送给收集者，在进行后续的各种操作 首先将字符串通过布隆过滤器用h个哈希函数进行处理（这里用了4个，所欲B有4位置1），得到B，随后将B通过随机响应函数获得永久随机响应B’,将永远存储在用户的设备中。每当数据收集者请求数据时，客户机对B’再次进行扰动获得临时随即响应S，S将发送给收集者（每次询问同一数据获得的响应都不完全相同） 永久随机响应的规则 f是用户可调的一个概率，来控制隐私水平。例图中中f=0.5（f越大越随机） 临时随机响应 获得B’后对其进行随机响
本地差分隐私 随机响应_笔记整理：差分隐私（Differential Privacy）的理解
weixin_31313019的博客
12-15 2621
本文是笔者在对差分隐私的学习过程中，尝试对差分隐私概念进行的梳理，主要偏向于对其理念和背后原理的解释和分析，而没有将一些具体的细节（敏感度、各种机制）放上来，同时还夹带了笔者自己的一些思(si)考(huo)，如果错误之处还请各位大佬指出！（后续可能还会添加一些内容）1.Derivation1.1 隐私的“确保”“确保”这个词可以说是隐私研究的问题核心所在，而我们平常提到的绝大部分“隐私保护”方法，...
sap发出商品差异差异分摊_什么是差异隐私？
weixin_26752075的博客
09-09 708
sap发出商品差异差异分摊Differential Privacy is an important research branch in AI. It has brought a fundamental change to AI, and continues to morph the AI development. That’s the motive for me to write the ser...
论文阅读笔记:《PatchMatch: A Randomized Correspondence Algorithm for Structural Image Editing》
qq_28223697的博客
10-01 6762
摘要   提出了一种基于随机化算法的交互式图像编辑工具，用于在两张图片之间快速寻找对应的小区域。该算法的主要看法是，可以通过随机采样找到一些好的 patch 匹配，根据图像的自然一致性允许我们将这种匹配快速传播到周围区域。这个简单的算法构成了多种工具的基础 — 图像重定向 (不引入大的畸变的情况下，通过改变照片的大小和比例信息，来适应各种尺寸屏幕)、图像修补、图像重组。 简介   非参 patc...
Graph Visualization and Navigation in Information Visualization: A Survey 译文
哆啦A梦的博客
10-18 3739
图像可视化和信息可视化导航：文献综述 Ivan Herman, Member, IEEE Computer Society, Guy MelancËon, and M. Scott Marshall摘要：这是一个关于图形可视化和导航技术的调查，同时这些技术也在信息可视化中应用。图形出现在很多应用中，比如网页浏览、状态转换关系图和数据结构。在这些可能很大的抽象的图形中可视化和导航的能力通常是一个应用至
【论文笔记(1)】A Survey on Concept Drift Adaptation
qq_42901861的博客
12-06 3354
目录Ⅰ 论文信息Ⅱ 论文框架1. INTRODUCTION2. ADAPTIVE LEARNING ALGORITHMS2.1. Setting and definitions2.2. Changes in data over time2.4. Online adaptive learning procedure2.5. Illustrative applications3. TAXONOMY OF METHODS FOR CONCEPT DRIFT ADAPTATION3.1. Memory3.1.1.
阅读笔记 CR-Net: A Deep Classification-Regression Network for Multimodal Apparent Personality Analysis
阿里武的技术博客
10-09 1238
CR-Net: A Deep Classification-Regression Network for Multimodal Apparent Personality Analysis 模型结构 模型包括数据处理， 特征提取， 预测回归三个部分， 下面分别介绍 数据预处理 visual 每个视频取样32帧， 而且每一帧又分为**背景和脸部 **图片 ，以往的工作专注于面部特征， 但是作者认为其背景特征也是一种补充信息， 作者举了一个例子， 单看这个人的面部可能会觉得他很生气， 但是结合背景，可以知道
Pointproofs: Aggregating Proofs for Multiple Vector Commitments 学习笔记1
mutourend的博客
05-21 1646
1. 背景知识 Alogrand团队Gorbunov等人2020年论文《Pointproofs: Aggregating Proofs for Multiple Vector Commitments》，配套的代码实现参见：https://github.com/algorand/pointproofs 在该论文中，实现了： Pointproofs —— a new vector commitment scheme that supports non-interactive aggregation of pr
PatchMatch: A Randomized Correspondence Algorithm for Structural
12-15
《PatchMatch：一种随机对应算法在结构图像编辑中的应用》 本文提出了一种新的随机算法——PatchMatch，用于快速寻找图像区域之间的近似最近邻匹配，从而实现互动式的图像编辑工具。这一算法解决了以往计算整个图像...
Random Walk Using Monte-Carlo Randomized Algorithm:Self-Avoiding Random Walk Using Monte-Carlo Randomized Algorithm-matlab开发
05-30
在本文中，我们将深入探讨如何使用蒙特卡洛随机化算法实现随机漫步，特别是自避免随机漫步（Self-Avoiding Random Walk, SAW），并将其应用于MATLAB编程环境。自避免随机漫步是一种特殊的随机过程，它限制了粒子的...
Randomized interdependent group contingencies: Group reinforcement with a twist
06-29
Randomized interdependent group contingencies: Group reinforcement with a twist RANDOMIZED INTERDEPENDENT GROUP CONTINGENCIES: GROUP REINFORCEMENT WITH A TWIST kimberly kelshaw-levering, heather e...
数据管理生态的核心解析：数据库、数据仓库、数据湖、数据平台与数据中台的关系与实现
hello.reader
09-11 918
数据可以是结构化的交易数据，也可以是非结构化的日志、社交媒体内容、图像和视频。现代企业的数据管理体系涉及数据库、数据仓库、数据湖、数据平台和数据中台的协同工作。通过选择合适的技术架构和平台，企业可以有效应对海量、多样化数据的存储、处理和分析需求，从而提高决策效率，推动业务增长。它通过标准化数据模型、API服务，将数据资源开放给不同的业务系统，支持跨部门的数据分析和决策。，它通过整合各种数据源、存储系统和处理工具，帮助企业实现数据的全面管理和分析。，即在短时间内处理大量并发的查询和更新操作，确保数据一致性。
5116-微信小程序电影院订票选座系统设计及实现+ssm（源码+数据库+lun文）.zip
09-15
本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。
JavaScript 中的 `Array.prototype.filter` 方法全解析
09-15
在 JavaScript 编程中，处理数组是一项基本而重要的任务。数组的过滤操作是其中的一个常见需求，Array.prototype.filter 方法为此提供了强大的支持。本文将深入探讨 Array.prototype.filter 方法的工作原理、使用场景、代码示例以及与其他数组方法的比较。 Array.prototype.filter 是 JavaScript 中处理数组的强大工具，它允许开发者以声明式的方式轻松筛选出符合特定条件的元素。通过结合使用 Array.prototype.filter 和其他数组方法，可以解决各种复杂的数据筛选问题。 通过本文的详细介绍和示例代码，你应该能够掌握 Array.prototype.filter 的工作原理，并能够在实际开发中灵活运用它来处理数组数据。此外，了解其与 Array.prototype.map 和 Array.prototype.reduce 的结合使用，可以帮助你更好地编写高效且易于维护的代码。
5108-微信小程序的书橱+ssm（源码+数据库+lun文）.zip
09-15
本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。
5046-微信小程序校园二手交易平台的小程序+ssm（源码+数据库+lun文）.zip
09-15
本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。本系统主要针对计算机相关专业的正在做毕业设计的学生和需要项目实战练习的学习者，可作为毕业设计、课程设计、期末大作业。
SMT小型视觉贴片机控制系统源码源代码图纸 DI
最新发布
09-15
SMT小型视觉贴片机控制系统源码源代码图纸 DI
图书馆自动化管理系统.zip
09-15
这是一个基于Apache kafka、Docker Compose、MongoDB和Flask技术的图书馆自动化管理系统。该项目旨在实现图书馆的各项服务自动化，包括图书借阅、预约和搜索功能。通过Flask构建REST API，使用MongoDB存储和管理图书、用户、借阅记录、罚款和预约等相关数据。apache Kafka用于系统各组件之间的消息通信，确保消息传递的可靠性和可扩展性。项目还实现了用户认证和授权功能，通过JWT进行安全认证和授权。每个对系统服务的请求都需要使用JWT进行验证。项目提供了全面的文档，解释了系统架构、数据库模式和API端点。同时，项目明确了所有依赖关系，并提供了环境搭建指南，便于其他开发者轻松复制环境。此外，项目还包含测试用例，以确保关键功能的正常运行。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。
详细说明一下PatchMatch: A Randomized Correspondence Algorithm for Structural Image Editing提到的算法的过程
06-11
a. 随机搜索：随机选取一些像素位置，计算这些位置对应的图像块与当前像素位置的图像块的相似度。如果当前相似度比之前的最佳匹配更好，就更新当前最佳匹配。 b. 传播：将当前像素位置的最佳匹配沿着图像块的四个...
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
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