本地化差分隐私综述

摘要：

[目的]本地化差分隐私是优秀的隐私保护模型,能够在数据共享、发布的场景下对群体进行统计分析,保护个人数据隐私.本文围绕本地化差分隐私进行综述,为未来工作提供参考.[文献范围]本文调研了来自主流会议、期刊的本地化差分隐私领域的论文,并进行了总结归纳.[方法]本文以数据统计分析任务类型为线索,从基于本地化差分隐私模型的频率估计、均值估计、多维数据统计分析和机器学习4个方面展开调研.本文对相关研究进行了对比分析,对关键问题进行了总结,对现有工作的不足进行了讨论,对未来的研究方向进行了展望.[结果]本地化差分隐私模型能够在用户数据被采集、分析时,为用户个人数据隐私提供强有力的隐私保护.[局限]本文以数据统计分析任务类型为线索,未对图数据相关研究进行总结.[结论]本地化差分隐私作为一种优秀的隐私保护模型,得到学者们的关注后迅速发展,但是仍然面临着诸多问题和挑战,值得进一步研究和探索.

关键词：本地化差分隐私、频率估计、均值估计、多维数据统计分析、机器学习

所属期刊栏目：5

分类号：TP309;TN915.04;D923

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金

在线出版日期：2023-11-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共24页

页码：74-97