苏尔克

实用隐私:SuLQ框架。我们考虑一个统计数据库,其中一个受信任的管理员在查询响应中引入噪声,目的是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),并发布一个噪声版本作为对查询的响应。Dinur、Dwork和Nissim的结果表明,如果查询总数在数据库行数中是次线性的,那么可以使用非常小的噪声(远远小于采样误差)来维护强大的隐私形式。我们将这个查询和(稍微)嘈杂的回答称为SuLQ(Sub-Linear querys)原语。随着数据库越来越大,次线性的假设变得合理。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,我们研究SuLQ原语的计算能力。我们证明了它是非常强大的,因为下面这些稍微有点噪音的计算可以用很少的原语调用来执行:主成分分析,k均值聚类,感知器算法,ID3算法,和(显然!)在统计查询学习模型中操作的所有算法[11]。

这个软件也是同行评审按日记帐汤姆斯.


zbMATH参考文献(参考 120篇文章

显示第1到第20个结果,共120个。
按年份排序(引用)
  1. Bunn,Paul;Ostrovsky,Rafail:不经意的抽样与应用于两方(k)-均值聚类(2020)
  2. 王迪;徐金辉:局部差异隐私模型中的主成分分析(2020)
  3. Bun,Mark;Nissim,Kobbi;Stemmer,Uri:多个概念的同时私人学习(2019)
  4. 马克·邦恩;乔纳森·厄尔曼;瓦丹·萨利尔:《指纹密码与近似差异隐私的价格》(2018)
  5. Feldman,Vitaly;Perkins,Will;Vempala,Santosh:关于种植解决方案的随机可满足性问题的复杂性(2018)
  6. Beimel,Amos;Nissim,Kobbi;Stemmer,Uri:私人学习和卫生处理:纯隐私与近似差异隐私(2016)
  7. Bun,Mark;Zhandry,Mark:《秩序揭示加密与私人学习的艰难》(2016)
  8. 乔罗曼斯卡,安娜;乔罗曼斯基,克鲁兹托夫;贾甘纳森,吉塔;蒙特利奥尼,克莱尔:低维流形的差异私人学习(2016)
  9. 卢卡斯·科瓦尔茨克(Kowalczyk);塔尔·马尔金(Malkin);乔纳森·厄尔曼(Ullman);马克·詹德瑞(Zhandry),马克:《从弱叛徒追踪中获取隐私的坚强》(2016年)
  10. Ullman,Jonathan:回答(n^2+o(1))带有差异隐私的查询很难(2016)
  11. Wang,Ke;Wang,Peng;Fu,Ada Waichee;Wong,Raymond Chi Wing:灵活隐私设置的广义bucketization方案(2016)
  12. Balcan,Maria Florina;Feldman,Vitaly:噪声容忍度和差异隐私的统计主动学习算法(2015)
  13. Benkaouz,Yahya;Erradi,Mohammed:一种针对非永久参与者的隐私保护聚合的分布式协议(2015)
  14. Feldman,Vitaly;Xiao,David:样本复杂性对通过沟通复杂性进行差异化私人学习的限制(2015)
  15. Ghosh,Arpita;Roth,Aaron:《拍卖隐私》(2015)
  16. Abraham,Ittai;Gavoille,Cyril;Gupta,Anupam;Neiman,Ofer;Talwar,Kunal:警察、强盗和威胁骷髅:小自由图的填充分解(2014)
  17. Agarwal,Pankaj K.;Sharathkumar,R.:具有度量和几何代价的二部匹配的近似算法(2014)
  18. Aggarwal,Diveh;Dodis,Yevgeniy;Lovett,Shachar:加法组合学中的非可塑性代码(扩展摘要)(2014)
  19. Alistarh,Dan;Censor Hillel,Keren;Shavit,Nir:无锁并发算法实际上是无等待的吗?(2014年)
  20. Androni,Alexandr;Nikolov,Aleksandar;Onak,Krzysztof;Yaroslavtsev,Grigory:几何图形问题的并行算法(2014)