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.
- RAPPOR: Randomized Aggregatable Privacy-Preserving Ordinal Response
- Privacy loss in apple’s implementation of differential privacy on MacOS 10.12
- Collecting Telemetry Data Privately
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.