摘要：
还记得隐私损失随机变量（PLRV）吗？我们看到它描述了隐私泄露可能取的所有值，以及每个值出现的可能性。\(\varepsilon\)-DP 是一个最坏情况属性：PLRV 必须始终不超过 \(\varepsilon\)。而 \((\varepsilon,\delta)\)-DP，我们把它描述成"几乎最 阅读全文
posted @ 2026-07-06 15:52
永是珞珈一恐龙
阅读(28)
评论(0)
推荐(0)
摘要：
你已经决定用差分隐私（DP）来发布或分享一些统计数据。你跑通了第一个管道或查询，正兴奋着，结果……拿到手的却是一堆没用的东西。也许数据全消失了，也许统计数据看着完全不靠谱——噪声把有用信号全淹没了。别急着放弃！这种情况在第一次尝试差分隐私时太常见了。而且很可能，你只需要做些简单调整就能解决。 这篇文 阅读全文
posted @ 2026-07-06 15:51
永是珞珈一恐龙
阅读(13)
评论(0)
推荐(0)
摘要：
之前，我们用高斯噪声来解释 \((\varepsilon,\delta)\)-差分隐私中 \(\delta\) 到底意味着什么。但有个问题还没回答：为什么一开始要用高斯噪声？它提供的保证并不那么强——给出的是 \(\delta>0\) 的 \((\varepsilon,\delta)\)-DP，而拉 阅读全文
posted @ 2026-07-06 15:50
永是珞珈一恐龙
阅读(25)
评论(0)
推荐(0)
摘要：
隐私损失随机变量 2020-03-06 — 更新于 2022-07-23 还记得"几乎"差分隐私的概念吗？我们修改了原始定义，添加一个新参数 \(\delta\)，并称 \(\delta\) 为"出错的概率"。这有点过于简化了：这一直觉有时并不完全准确。在这篇文章中，我将做两件事：介绍差分隐私中的一 阅读全文
posted @ 2026-07-06 15:49
永是珞珈一恐龙
阅读(24)
评论(0)
推荐(0)
摘要：
开放式调查问题 假设你在做一项调查，询问人们最喜欢的颜色。你不提供固定选项，而是让他们自由填写。多数答案会是常见颜色：蓝色、绿色、粉色……但现实世界的数据充满噪声，你肯定会收到各种意想不到的回答。有些可能是无效输入——有人误解了问题，有人在恶搞。还有些只是比较罕见的颜色。你想发布这些答案的直方图。 阅读全文
posted @ 2026-07-06 15:48
永是珞珈一恐龙
阅读(13)
评论(0)
推荐(0)
摘要：
计算唯一用户数 假设你有一个数据库，你想发布其中有多少人满足给定条件。比如，有多少人有一双绿眼睛？即使你的数据库中有很多人，你也不能直接发布真实答案。让我们花点时间理解为什么。 使用差分隐私，我们假设攻击者知道几乎所有元素。他们只对他们的目标有不确定性。假设他们想知道他们的目标是否有绿眼睛。如果你输 阅读全文
posted @ 2026-07-06 15:03
永是珞珈一恐龙
阅读(11)
评论(0)
推荐(0)
摘要：
定义 我们看到，如果过程的输出在你改变一个人的数据时基本相同，那么该过程就满足差分隐私。而"基本相同"，我们的意思是"概率接近"。 现在让我们将其转化为形式化定义。 如果对于所有只相差一个个体的数据库 \(D_1\) 和 \(D_2\)，过程 \(A\) 是 \(\varepsilon\)-差分隐私 阅读全文
posted @ 2026-07-06 15:00
永是珞珈一恐龙
阅读(12)
评论(0)
推荐(0)
摘要：
如何在发布关于人们的数据的同时保护他们的隐私？这个问题并不新鲜。统计机构几十年来一直在努力解决这个问题。计算机科学家提出了一大堆有创意的概念来捕捉这个想法。然而，它们都不是非常令人满意：所有这些概念在某些情况下都被证明是有缺陷的。而且在不破坏数据实用性的情况下应用它们也很困难。 这一切在 2006 阅读全文
posted @ 2026-07-06 12:50
永是珞珈一恐龙
阅读(13)
评论(0)
推荐(0)
浙公网安备 33010602011771号