差分隐私入门-噪声机制分类

目录

首先什么是差分隐私？

差分隐私噪声机制

1、拉普拉斯机制

2、指数机制

3、高斯机制后面看到了再补上

---

首先什么是差分隐私？

e-DP差分隐私算法：给对于两个数据集D和D’，D和D’相差一条记录，记作|DΔD'|≤1，一个随机算法A，S为A在D和D’数据集上输出的结果，S∈range(A)，符合下面的公式，则称A满足e-DP差分隐私:

Pr[]是隐私被泄露的概率，e是指隐私保护参数，可以表示隐私保护的程度，它越小，隐私保护越好，但是加入的噪声就越大，数据可用性就下降了

通俗而言，在数据集中修改一条数据，不会对算法输出的分布带来太大的影响，当攻击者观察输出结果S时，很难区分出数据到底来自D还是D’。

差分隐私噪声机制

差分隐私技术中的常用机制，将噪声插入到查询结果中，使得数据失真或者扰乱数据。

1、拉普拉斯机制

Laplace概率密度函数为：

Laplace噪声机制满足EXP-差分隐私：

 证明Laplace噪声机制满足exp-差分隐私：

 拉普拉斯分布的python代码：

2、指数机制

常用于评估输出值的优劣程度。

当接收到一个查询之后，不是确定性的输出一个结果，而是以一定的概率值返回结果。

敏感度：

指数机制满足差分隐私：

证明：

3、高斯机制后面看到了再补上

参考：

 ε-差分隐私之拉普拉斯噪声机制（定义 + 证明 + 代码）_Co-King的博客-CSDN博客_拉普拉斯噪声