最近我正在读一些关于保护隐私的机器学习的论文。可信方(称为TP)拥有明文中的培训数据集。然后从理论上证明了差分隐私的概念得到了实现。那么，在隐私保护机器学习的背景下，差异隐私承诺或保证是什么？TP发布了一个嘈杂的模型，并告诉我它
浏览 0提问于2018-01-18得票数 3
自从Facebook被爆出隐私泄漏以来，陆陆续续的隐私方面的问题也是不断涌现，近期更是又爆出了屏蔽失效的料，脸书作为全球知名的互联网公司，隐私保护方面为什么这样差呢？
浏览 781提问于2018-07-05
1回答
差分隐私显着降低了模型性能
、、、、
结果比COVID差一些，我对人口不足的类(COVID)获得了80%的精度和较低的敏感性。我认为它们报告了更好的性能，因为它们不使用验证集，并且使用每个时代的测试集。问题性能差异差异隐私模型的混淆矩阵(epsilon: 2.3)看起来，这个模型根本不知道该做什
浏览 0提问于2020-06-07得票数 2
2回答
我找到了以下定义这里：
从隐私的角度来看，更好的解决方案是使用基于属性的身份验证(Go差尔等人)。如何在网上加强隐私保护？
浏览 0提问于2016-04-15得票数 2
在书差分隐私的算法基础由辛西娅德劳，亚伦罗斯在第24页，数据库形式的图表是讨论。
另一方面，我们可以在与边缘对应的粒度级别上考虑微分隐私，并要求我们的算法只对图中单个或少量边的添加或删除不敏感。非正式地说，如果我们承诺将\epsilon**-微分隐私在单个边的级别上，那么任何数据分析人员都不应该能够得出关于图中任何1/\epsilon边子集的存在性的结论。在这种情况下，边缘隐私应该足以保护敏感信息，同时仍然允许对数据进行比顶点隐私更全面的分析
浏览 0提问于2019-04-18得票数 3
在纯差分隐私中，参数\epsilon表示所需的隐私损失。\epsilon越小，我们就能获得更多的隐私。当我们想要失去隐私时，\epsilon = 0会发生什么。
浏览 0提问于2020-04-27得票数 0
1回答
目前，我已经听说了很多关于差别化隐私的说法，但我无法找出它在非数学家语言中到底是什么。到目前为止，我的理解是，它增加了对数据库的查询所得到的答案的噪音。
浏览 0提问于2014-01-31得票数 12
我使用PyTorch-DP将差异隐私(DP)添加到机器学习模型中。PyTorch为我提供了值：\epsilon和\delta 。我知道\epsilon告诉我们数据集中( dataset，DP)中的个人隐私被破坏的概率\rho。因此，\rho为0.5可能对应于\epsilon为2(取决于发布的统计信息)。如果我不知道这一点，我如何才能就\epsilon所满足的隐私级别说些“有意义的”东西？
浏览 0提问于2020-06-24得票数 2
1回答
因此，在\epsilon-differential隐私中，根据灵敏度和隐私丢失参数，采用Laplace机制对噪声进行添加。Laplace考虑了全局灵敏度和噪声在L1-范数上的比例，ιn -ι差分隐私。
浏览 0提问于2020-08-19得票数 1
回答已采纳
差分隐私可以用来证明某种计算的“隐私损失”是有意义的“有界”的。在密码学中，通常考虑“不可区分性”，即我们希望\Delta(D_0, D_1)是小的。这两个概念可以联系起来吗？我模糊地知道，差异隐私的标准概念可以与诸如“集中式差异隐私”这样的东西相关，这本身就是两个发行版上的Renyi类型的界限(这与我想要的总变化距离界有点类似)。但我想用“所以，这两个发行版是无法区分的”来结束我的论证--差异隐私能帮助我实现这个目标吗？
浏览 0提问于2021-03-15得票数 2
它在Diff层隐私的算法基础上写道：但是从这个pdf格式我搞不懂哪一个是对的，还是我误解了。我不知道如何实施拉普拉斯机制。
浏览 0提问于2020-05-21得票数 0
回答已采纳
我尝试在Tensorflow隐私中运行mnist_dpsgd_tutorial.py，并检查渐变的维数。我认为梯度是用dp_optimizer计算的。有没有检查和操作梯度的方法？
浏览 4提问于2022-03-03得票数 0
在一些差分隐私(DP)论文中，它们使用epsilon作为实验结果图形的x轴，而其他论文则使用灵敏度。我如何比较不同论文的结果？
浏览 0提问于2019-02-21得票数 1
差分隐私的算法基础的第33页给出了两个例子，其中机制的组合可以看作是向量值输出、直方图和固定计数查询，其中可以通过考虑向量值输出的灵敏度来分析隐私限制。对于任何一组固定的、任意的机制都可以看作是向量值输出，在这种情况下，可以通过考虑向量的灵敏度来分析隐私界限吗？
浏览 0提问于2022-04-13得票数 0
回答已采纳
2回答
在差别化隐私解决方案中，更具体地说，对于需要计算的查询，需要计算建议的解决方案，定义Laplace分布，为低错误进行最佳校准。其他非数值查询的解决方案建议指数分布。
浏览 0提问于2015-01-19得票数 3
1回答
如果是eps_c <=1，即中心隐私必须等于或小于1，这样才能放大eps_l (本地)。我们可以设置eps_split = eps_c /d <= 1吗？根据eps_split和d的值，这将意味着大于1的“总体”中心隐私。
或者，对于人口n来说，eps_c = d*eps_split <=1是绝对必要的吗？这意味着，无论您想收集多少属性，只有当中央隐私保证保持在1以下或等于1时，放大才有效。洗牌模式的隐私毯子。在年度国际密码学会议上(第638至667页
浏览 0提问于2021-04-16得票数 1
回答已采纳
我试图在TFF中使用Tensorflow隐私，下面是我自己的数据集在中提供的两个示例。在添加带有剪裁和噪声的DP进程之前，我确保了示例和目标的格式正确，并且所有操作都正常。
浏览 3提问于2020-09-24得票数 0
回答已采纳
我想在53路由注册一个域名，只是我想防止人们在使用像whois lookup (http://whois.domaintools.com/)这样的服务时看到我的名字和地址。与高爸爸，你可以选择保持姓名和地址的细节保密。在向路由53注册域时，这也是可能的吗？
另外，在向Amazon注册域名时，您还会得到一个hosted zone来配置DNS设置。此托管区域每月花费0，50美元，但如果您想要避免费用，您可以免费删除它。我不打算在购买后立即使用我的域名。如果删除托管区域，可以在稍后时间重新创建它吗？
浏览 0提问于2020-01-06得票数 0
回答已采纳
这些部门具有以下枚举常量之一的隐私值:公共、受保护、私有。
如果我的视频是在单个部门发布的，我可以设置上面指定的视频隐私。但是，如果我的视频发布在多个部门，然后一个部门的隐私是公开的，另一个部门的隐私被保护，那么我需要将它设置为受保护</
浏览 2提问于2016-04-26得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
