Privacy at Scale: Local Differential Privacy in Practice

در این نوشتار به صورت مختصر و مفید به بررسی کاربرد حریم خصوصی تفاضلی محلی در مقیاس‌های بزرگ پرداخته است. سه مقاله‌ای که در این نوشتار بررسی می‌شود، در زیر آمده‌اند. جهت مطالعه خلاصه هر مقاله می‌توانید روی عنوان هر کدام کلیک کنید و به صفحه مربوطه مراجعه کنید.

مسائل باز

در ادامه این نوشتار عنوان سه مسئله باز را بیان می‌کند که می‌تواند مسیر جدیدی برای پژوهش‌های آینده باشد.

۱. Multiple Rounds

اکثر پروتکل‌های LDP از کاربران می‌خواهند که طبق یک پروتکل ثابت داده‌ها را جمع‌آوری، آشفته و سپس برای تجمیع کننده ارسال کنند. به طور کلی می‌توان چندین بار تعامل با تجمیع کننده را داشته باشیم و در هر ارسال داده از سمت کاربر، با توجه به داده‌های ارسالی پرسش‌های جدیدی برای کاربر ارسال کنیم. این کار با استفاده از مدل‌های یادگیری ماشین انجام می‌شود.

۲. Hybrid models

حریم خصوصی تفاضلی محلی، حریم خصوصی بیشتر و دقت کمتری نسبت به حریم خصوصی تفاضلی سراسری ارائه می‌کند. در مدل‌های جدید بعضی از کاربران از حریم خصوصی تفاضلی محلی و بعضی از سراسری استفاده می‌کنند و نهایتا داده‌های ارسالی در سمت سرپرست داده با یکدیگر ترکیب می‌شوند.

۳. Theoretical underpinnings

در یکسری مقالات اخیر به بررسی قدرت LDP پرداخته‌اند و به دنبال این هستند که داده‌های دریافتی از کاربر را به حداقل میزان ممکن برسانند.

Cormode, Graham, et al. “Privacy at scale: Local differential privacy in practice.” Proceedings of the 2018 International Conference on Management of Data. 2018.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

هرگونه استفاده از محتوای این وب سایت، با ذکر منبع و نام نویسنده بلامانع است.