本地隐私保护机制及其在机器学习中的应用
密码学与安全
2024-01-26 v1
摘要
本地差分隐私 (LDP) 及其各种变体的出现和演化，在解决由智能设备产生的海量数据相关的隐私问题方面发挥着关键作用，这些数据对于群智感知领域内基于数据的决策至关重要。利用这些广泛的数据集可以提供关键见解，但也给相关个人带来了重大的隐私问题。LDP 以其去中心化框架著称，在数据收集和处理阶段为个人用户提供强大的隐私保护。LDP 的核心原则在于其技术，即在每个用户的数据被发送到服务器之前，在客户端本地对其进行扰动，从而防止在这两个阶段发生隐私侵犯。隐私研究界存在许多 LDP 变体，旨在改善效用与隐私之间的权衡。另一方面，隐私保护机制的主要应用之一是机器学习。在本文中，我们首先对 LDP 及其变体进行了全面分析，重点关注其各种模型、多样化的适应性变体以及隐私机制的底层结构；然后，我们讨论了最先进的隐私机制在机器学习中的应用。
引用
@article{arxiv.2401.13692,
title = {Local Privacy-preserving Mechanisms and Applications in Machine Learning},
author = {Likun Qin and Tianshuo Qiu},
journal= {arXiv preprint arXiv:2401.13692},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2309.00861