×

SuLQ公司

swMATH ID: 11355
软件作者: Blum,A.,Dwork,C.,McSherry,F.,Nissim,K。
描述: 实用隐私:SuLQ框架。我们考虑一个统计数据库,在该数据库中,受信任的管理员向查询响应引入噪声,以维护单个数据库条目的隐私。在这样的数据库中,查询由一对(S,f)组成,其中S是数据库中的一组行,f是将数据库行映射到{0,1}的函数。真正的答案是∑iεSf(di),并发布了一个噪音版本作为对查询的响应。Dinur、Dwork和Nissim的结果表明,只要查询总数在数据库行数上是次线性的,那么使用令人惊讶的少量噪音(远远小于采样误差)就可以维护强大的隐私形式。我们将此查询和(稍微)杂乱的应答称为SuLQ(Sub-Linear Queries)原语。随着数据库越来越大,次线性假设变得合理。我们从两个方面扩展了这项工作。首先,我们将隐私分析修改为实值函数f和任意行类型,从而大大提高了隐私所需的噪声边界。其次,我们检查了SuLQ原语的计算能力。我们表明,它确实非常强大,因为以下计算的稍微有点杂乱的版本可以在很少调用原语的情况下进行:主成分分析、k表示聚类、Perceptron算法、ID3算法,以及(显然!)在统计查询学习模型[11]中操作的所有算法。
主页: http://dl.acm.org/citation.cfm?id=1065184
相关软件: 私人LR;UCI-毫升;最优流量;Wasserstein甘;RAPPOR公司;ArnetMiner公司;gSpan(量程);PRMLT公司;数学库;电磁流量计;阿格斯;CVX公司
引用于: 128文档
全部的 前5名

266位作者引用

5 维塔利·费尔德曼
5 科比·尼西姆
5 乔纳森·乌尔曼。
5 萨利尔·瓦丹(Salil P.Vadhan)。
4 阿莫斯·贝梅尔
4 马克·本
4 乌里·斯特默
辛西娅·德沃克
罗科·A·塞韦迪奥。
斯里尼瓦桑
桑托什·S·万帕拉。
阿维·威格德森
2 玛丽亚·福洛丽娜·巴尔坎
2 理查德·克利夫
2 丁、健
2 伊夫塔赫·海特纳
2 希瓦·普拉萨德·卡西维瓦纳坦
2 川崎敬一
2 尼拉吉·凯亚尔
2 斯蒂芬·克鲁泽
2 利马耶·努坦
2 沙查·洛维特
2 鲁塔·梅塔
2 丹农纳农开
2 拉斐尔·奥斯特罗夫斯基
2 彭理查
2 罗斯、亚伦·莱昂
2 蒂姆·拉夫加登
2 Chandan Saha
2 阿米特·沙海
2 Ramprasad Saptharishi公司
2 Shubhangi Saraf
2 大卫·斯特勒
2 库纳尔·塔瓦尔
2 维贾亚拉哈万,阿拉文丹
2 理查德·瑞安·威廉姆斯
2 伍德拉夫(David P.Woodruff)。
2 格里高里雅罗斯拉夫采夫
2 马克·詹德里
1 伊泰·亚伯拉罕
1 潘卡杰·库马尔·阿加瓦尔
1 迪维什·阿加瓦尔
1 Dan Alistarh
1 亚历山大·安多尼
1 谢尔盖·阿特门科
1 普兰贾尔·阿瓦西
1 雅科夫·巴比琴科
1 巴拉克,博阿斯
1 贾马尔·贝拉佐古吉
1 叶海亚·本考兹
1 意大利伯曼
1 彼得·伯曼
1 多米尼克·W·贝里。
1 阿迪蒂亚·巴斯卡拉
1 比坦斯基,尼尔
1 克里斯托斯·布特西迪斯
1 谢尔盖·布拉维。
1 海·布伦纳
1 哈里·布尔曼
1 保罗·邦恩(Paul H.Bunn)。
1 兰·卡内蒂
1 克伦·希尔审查员
1 Chan、Siu On
1 摩西·S·查里卡尔。
1 Chandra S.Chekuri。
1 陈宁
1 郑秀荣
1 马赫迪·切拉赫奇
1 Andrew M.Childs。
1 安娜·乔洛曼斯卡
1 科罗曼斯基(Krzysztof Choromanski)
1 保罗·F·克里斯蒂亚诺。
1 朱莉娅·楚霍伊
1 迈克尔·科恩(Michael B.Cohen)。
1 阿明·科贾·奥格伦
1 Richard John科尔
1 马修·库德隆
1 马雷克·赛根
1 丹尼尔,阿米特
1 Anindya K.德。
1 奥弗·德克尔
1 F.W.德克尔。
1 邓成元
1 伊利亚斯·迪亚科尼科拉斯
1 伊丽特·迪努尔
1 沙哈尔·多布津斯基
1 叶夫根尼,多迪斯
1 多明戈·费雷尔(Josep Domingo-Ferrer)
1 泽耶夫·德维尔
1 Kirsten Eisenträger
1 迈克尔·埃尔伯菲尔德
1 艾琳娜·埃内
1 泽克里娅·埃尔金
1 穆罕默德·埃尔拉迪
1 迈克尔·福布斯。
1 埃尔维·福尼尔
1 扎卡里·弗里格斯塔德
1 Fu、Ada Waichee
1 安德烈亚斯·加拉尼斯
1 朱加尔·加格
…还有166位作者

按年份列出的引文