- 博客(4)
- 收藏
- 关注
RSS订阅原创 wander join
解决方法：在Rλ(i)上执行B树游走算法并到达一个叶子节点时，扫描存储在该叶子节点中的所有元组以过滤掉所有满足该谓词的元组，并且在这些过滤掉的元组中只随机选择其中一个元组继续行走。相应的，Pr[tη(i)→tλ(i)]的计算也应做相应的修改，即在最后一步中，与tη(i)连接且满足Rλ(i)上的谓词的叶节点中元组的实际数目的概率应为1。首先，找到它的任意生成树。解决方法：在最后一张表中开始B树游走算法，当算法到达B树索引的一个叶子节点，并将被聚合的属性信息存储在该叶子节点时，扫描存储在该叶子中的所有元组。
2024-04-02 16:35:24
830
原创 Shuffle Differential Privacy(2)
注意，当发生变化的用户（假设为第n个用户）在集合B中时，其上传的数据是均匀随机选择的，因此可以保证隐私。但若其不在B中，服务器在具有最大背景知识（即知道另外n-1个用户的真实数据）的情况下可以直接推断该用户的真实数据，导致隐私泄露。乘法切诺夫界（Multiplicative Chernoff Bound）是Chernoff Bounds的一个变种，用于估计独立随机变量之积的概率。（这里给出了隐私毯privacy blanket的定义，也有文章直接将上述的独立分布叫做隐私毯)的变化量有使得的限制。
2024-03-26 16:33:51
1680
1
原创 Shuffle Differential Privacy(1)
Shuffle 混洗器：编码数据按照随机阈值分批收集，并进行盲洗牌（blindly shuffled），以破坏可链接性并确保单个数据项“lost in the crowd” （运行在一个半诚信的第三方，它可借助现有的按混洗协议在对数据义务所知的情况下完成安全的混洗操作）Split-Mix与加法秘密共享的不同点在于后者需要保证不同的数据分片（shares）由不同的参与者拥有，而Split-Mix算法对数据分割获得的数据分片可由1个或多个混洗器持有，取决于混洗器的实现方式。SDP假设参与计算的用户都是可信的。
2024-03-26 09:43:43
1556
原创 论文：Sketch-Flip-Merge: Mergeable Sketches for Private Distinct Counting
数据草图是进行distinct counting的关键工具，使多重集能够通过紧凑的摘要（sumamary）来表示，从而允许快速基数估计。由于草图可以合并以总结多集并集，因此它们是数据仓库中的基本构建块。尽管存在许多用于基数估计的实用草图，但没有一个能够同时满足隐私和可合并性约束。本文提出了第一个实用的基数草图，它同时可合并、差分隐私（DP）并且具有较低的经验误差。这些引入了一种新颖的随机算法，用于对噪声位执行逻辑运算、严格的隐私分析以及可证明的最佳估计。
2024-01-24 11:26:57
1596
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