[ACM SIGMOD 2022]祝贺团队流式差分隐私工作被数据顶会ACM SIGMOD录用! - 课题组简介 - 杨 树森
[ACM SIGMOD 2022]祝贺团队流式差分隐私工作被数据顶会ACM SIGMOD录用!
LDP-IDS: Local Differential Privacy for Infinite Data Streams (作者:Xuebin Ren, Liang Shi, Weiren Yu, Shusen Yang*, Cong Zhao, Zongben Xu)。该工作提出了一个新的用于无线数据流采集和分析的本地化隐私保护范式LDP-IDS。我们形式化定义了无限数据流w-event LDP的问题,提出了一种用户划分和循环利用框架,并在此基础上给出了两种基于统一误差分析和数据流稀疏性特征识别的自适应用户划分方法,能够显著提高数据发布效用同时降低通信开销。通过大量的理论分析和真实数据集的实验,我们证明了所提出的框架和方法不仅在效用、通信效率和事件监测方面具有优越的性能,而且具有良好的兼容性和灵活性。
Fig. 1:Histogram release in a streaming setting
Fig. 2: Illustration of population division framework.
Fig. 3: Data utility with different parameters.
Fig. 4: The average number of communication bits per user with different parameters.
新
News List
闻列表
-
2024
07-18
-
2024
05-22
-
2024
05-22
-
2024
02-28
-
2024
01-12
-
2023
12-27