申请试用
HOT
登录
注册
 
本地差分隐私及其在机器学习领域应用简介
本地差分隐私及其在机器学习领域应用简介

本地差分隐私及其在机器学习领域应用简介

英特尔AI实践日
/
发布于
/
718
人观看

相对于传统的差分隐私,本地差分隐私(local differential privacy,简称LDP)具有不需要可信中心的优点,近年来受到学术界和知名IT企业的广泛关注。这里我们将介绍本地化差分隐私的基本概念,以及其在类别型、数值型、集合型数据上的常见实现方法。然后,通过与安全多方计算、同态加密、传统差分隐私等方法的对比,分析LDP机制在实际应该过程中的优势和不足的地方,探讨全流程隐私保护的潜在策略。最后,进一步简要介绍本地差分隐私机制在隐私保护机器学习等领域的初步应用情况。

图层2.png

朱友文
博士,南京航空航天大学教授、信息安全专业主任,江苏省密码学会理事,《电子与信息学报》青年编委。

2012年博士毕业于中国科技大学,2012-2014获日本学术振兴会资助在九州大学从事数据安全与隐私保护研究工作,2014年加入南京航空航天大学,现任教授、信息安全专业主任。兼任江苏省密码学会理事,《电子与信息学报》青年编委。主要研究方向:应用密码学、人工智能安全和隐私保护。承担国家重点研发计划子课题/国家自然科学基金共4项,CCF-腾讯犀牛鸟创意基金1项,其他企业/省部级课题10余项。研究成果获中国电子学会自然科学奖、省级自然科学奖各1项。

3 点赞
3 收藏
37下载
确认
3秒后跳转登录页面
去登陆