设计应用

依赖差分隐私：关联数据集下的高斯机制

作者：欧阳恒,陈洪超
发布日期：2024-03-25
来源：网络安全与数据治理

引言

数据成为信息时代最重要的生产要素，将带来巨大的经济效益。然而，随着数据分析技术与机器学习的发展，直接发布不经过隐私保护处理的数据，可能会导致隐私的泄露。Dwork等人［1］提出了差分隐私，作为一种拥有严格的数学定义和逻辑证明的隐私保护方法，能够为数据的发布提供强有力的隐私保护。高斯机制最初也由Dwork等人［1］提出，添加噪声量σ2006最少应满足：σ2006≥Δ2log2/δ/ε，其中Δ是查询的敏感度。然而，由于该方法噪声量较大，没有被广泛应用。随后，Dwork等人［2］提出了一种优化后的噪声量计算方法σCGM≥Δ2log125/δ/ε，现已被广泛采用。然而，2018年Balle等人［3］重新审视了高斯机制，提出了分析高斯机制(AGM)在噪声量σAGM达到了最优的效用，但由于其没有封闭的表达式，需要使用二分法迭代计算，时间复杂度较高Θ(log2n)。


本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000005928


作者信息：

欧阳恒,陈洪超

贵州轻工职业技术学院信息工程系, 贵州贵阳550025


杂志订阅.jpg

此内容为AET网站原创，未经授权禁止转载。
差分隐私 依赖差分隐私 高斯机制 关联数据集

Copyright © 2005-2024 华北计算机系统工程研究所版权所有 京ICP备10017138号-2