差分隐私
文章平均质量分 79
反正我是掉在坑里了!!!救救我呀
第七个bug
这个红李子没熟,好酸
展开
-
高斯机制-暂时还没完全搞懂
文章目录差分隐私分类区别加噪方式分类高斯机制(Gaussian机制)差分隐私分类中心化差分隐私(ϵ−DP\epsilon-DPϵ−DP)本地化差分隐私(ϵ−LDP\epsilon-LDPϵ−LDP)区别中心化差分隐私的随机函数运行在服务器上,而本地化差分隐私运行在本地。服务器上具有全局敏感度,而本地查询中任意用户之间并不知晓其他人的数据记录。机制选择中心化差分隐私一般选择Laplace和指数噪声等方法本地化差分隐私主要采用随机响应技术加噪方式分类扰动对输入数据扰动:原创 2020-05-09 19:55:24 · 3768 阅读 · 12 评论 -
基本实现测试-(频率估计,直方图估计)
文章目录频率估计直方图估计频率估计理论解释:假定数据集中共有NNN条数据(每个数据非0即1),其中有xxx个1,则有N−xN-xN−x个0,通过随机响应处理之后,统计到sss个1(求和即可),那么估计原来NNN条记录中应该有多个1?ppp为不反转的概率。s=x∗p+(N−x)∗(1−p)s=x*p+(N-x)*(1-p)s=x∗p+(N−x)∗(1−p)x~=s+p∗...原创 2020-04-28 18:11:51 · 538 阅读 · 3 评论 -
差分隐私中常见的处理方法-随机响应(一枚不公正的硬币)
文章目录0.事先声明1.local_differential_privacy_library中的算法eps2p(epsilon, n=2),计算概率discretization(value, lower=0, upper=1),离散化random_response(bit_array: np.ndarray, p, q=None),随机响应random_response_adjust(s: np....原创 2020-04-27 16:07:15 · 5601 阅读 · 12 评论 -
指数机制-证明的技巧
文章目录指数机制问题引出变量说明结论证明高斯机制实现差分隐私结论证明指数机制问题引出在Laplace机制中,我们首先对数据库进行查询,然后再查询结果之上添加一定的噪声使其满足DP的要求。因此,返回的数据通常只是“接近准确”的。那么差分隐私能否允许我们得到真实的结果呢?在这种情况下,指数机制应运而生。指数机制(The exponential mechanism)是为我们希望选择“最佳”响应...原创 2020-04-25 10:10:33 · 2394 阅读 · 0 评论 -
Laplace机制的应用
文章目录Laplace噪声与DPLaplace噪声的概率密度Laplace噪声函数的图像敏感度Lap(Δfε)Lap(\frac{\Delta f}{\varepsilon})Lap(εΔf)中的参数对隐私保护强度的影响==基于上面的解释,Laplace噪声可以满足差分隐私保护的约束条件了,那么问题就变为了,怎么提高“离谱值”的概率呢?==Laplace机制的应用Laplace噪声与DPLa...原创 2020-04-23 17:08:18 · 2995 阅读 · 3 评论 -
差分隐私中的组合性质-串行,并行,推论
文章目录Laplace噪声的概率累积函数Laplace噪声概率函数Laplace噪声的概率累积函数兄弟数据集解释对称差集⨁\bigoplus⨁差分隐私定义概念延展(完整版)差分隐私的组合原理差分隐私的串行组合原理差分隐私的并行组合原理重要说明(证明)推论Laplace噪声的概率累积函数Laplace噪声概率函数f(x∣μ,b)=12be−∣x−μ∣bf(x|\mu,b)=\frac{1}{...原创 2020-04-21 18:52:49 · 5147 阅读 · 5 评论 -
差分隐私-Laplace机制的简单证明
文章目录Laplace函数Laplace噪声满足ε\varepsilonε-差分隐私定义差分隐私定义:证明其他问题数学公式的排版好费时间呀,得多敲!排版公式的语法总结,后面写多了再做。Laplace函数f(x∣μ,b)=12be−∣x−μ∣bf(x|μ,b)=\frac{1}{2b}e^{\frac{-|x-μ|}{b}}f(x∣μ,b)=2b1eb−∣x−μ∣其图像为: 其中...原创 2020-04-20 20:36:58 · 4674 阅读 · 6 评论