🇨🇳
The Algorithmic Foundations of Differential Pivacy
  • 介绍
  • 前言
  • 一、差分隐私的承诺
    • 隐私保护的数据分析
    • 参考文献
  • 二、基本术语
    • 计算模型
    • 定义隐私数据分析
    • 形式化差分隐私
      • 形式化差分隐私(1)
      • 形式化差分隐私(2)
      • 差分隐私定义补充说明
    • 参考文献
  • 三、基本技术与合成定理
    • 概率工具
    • 随机响应
    • Laplace机制
    • Exponential机制
    • 合成定理
      • 3.5.1 合成:一些技术细节
      • 3.5.2 高级合成技术
      • 3.5.3 拉普拉斯vs高斯
      • 3.5.4 合成定理注释
    • 稀疏向量技术
      • 3.6.1 高于阈值算法
      • 3.6.2 稀疏算法
      • 3.6.3 数值稀疏算法
    • 参考文献
  • 四、带相关误差的线性查询
    • SmallDB:离线算法
      • SmallDB:精确边界
    • 可乘权重算法:在线机制
      • 可乘权重算法更新规则
      • 数值稀疏向量可乘权重算法
    • 参考文献
  • 五、差分隐私泛化
    • 𝞪-nets机制
    • 迭代构建机制
      • 应用:其他数据库更新算法
      • 迭代构建机制和在线算法
    • 机制关联
      • 迭代构建机制和𝞪-nets
      • 不可知论学习
      • 查询发布的博弈论观点
    • 参考文献
  • 六、查询增强
    • 查询算法的Boosting
  • 七、非典型最坏敏感度
  • 八、差分隐私下界与分离结果
  • 九、差分隐私与计算复杂性
  • 十、差分隐私与机制设计
  • 十一、差分隐私与机器学习
  • 十二、其他差分隐私模型
  • 十三、思考
由 GitBook 提供支持
在本页
在GitHub上编辑

九、差分隐私与计算复杂性

上一页八、差分隐私下界与分离结果下一页十、差分隐私与机制设计

最后更新于3年前