隐私保护技术自学
发布时间
阅读量：
阅读量
差分隐私
隐私保护–>最早：进行数据去标识化处理；后来：将原始数据转换为低粒度的统计信息（研究发现：是否存在数据重构攻击？即从统计数据中反向推导出原始数据）；如今：采用更加复杂的发布模式？例如利用多种统计模型生成多维度的摘要报告，并辅以可视化工具展示详细信息
- non-interative: 对原始数据加噪音
- interative: 对查询结果加噪音
差分隐私的原理
从不满足差分隐私的算法出发
往算法中适当地加入一定噪音，使其输出满足差分隐私要求
噪音机制
随机化回答
拉普拉斯噪声生成机制
拉普拉斯噪声详解
指数机制
指数噪声详解
高斯机制（对于该机制的工作原理和应用范围仍存在一定的认识不足）
RR机制
0
差分隐私数据库
差分隐私机器学习
机器学习模型的数据安全问题不容忽视。
针对机器学习模型的隐私威胁：
当向模型输入一组数据时，在其快速且直接地处理下即可完成任务。这表明该组数据很可能存在于训练数据集中。
差分隐私数据采集
差分隐私数据合成
安全多方计算
一个任务有多方的数据参与进来，但各方不希望自身数据对其他方公开
基于噪音的多方安全计算
通过注入噪声干扰计算过程，并使原始数据被噪声覆盖以隐藏其真实值, 从而使得外界无法有效推测出原始数据. 典型技术: 差分隐私
不是基于噪音的
全部评论 (0)
还没有任何评论哟~