در این مقاله می‌خواهیم به سازوکار «پاسخ ترتیبی تصادفی حافظ حریم خصوصی تجمعی» بپردازیم که به منظور خلاصه سازی در سراسر این مقاله آن را… ادامه »RAPPOR: Randomized Aggregatable Privacy-Preserving Ordinal Response
برای دانلود اسلایدهای ارائه حریم خصوصی تفاضلی در کلان‌داده اینجا کلیک کنید.
جمع‌آوری داده‌های مکانی، اطلاعات پایه‌ای را در اختیار ما قرار می‌دهند تا پدیده‌های جدید را کشف کنیم. به عنوان مثال نقاط مورد توجه و همچنین… ادامه »Collective location statistics release with local differential privacy
کاوش مجموعه آیتم‌های مکرر (frequent itemset mining) به دلیل کاربردهای عملی فراوان، مورد توجه بسیاری از پژوهشگران قرار گرفته است. اما برای شناسایی مجموعه آیتم‌های… ادامه »Frequent Itemsets Mining with a Guaranteed Local Differential Privacy in Small Datasets
مقاله BLENDER قصد دارد با در نظر گرفتن میل کاربران یک مدل ترکیبی جدیدی ارائه کند که بخشی از کاربران از حریم خصوصی تفاضلی محلی… ادامه »BLENDER: Enabling Local Search with a Hybrid Differential Privacy Model
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… ادامه »Privacy at Scale: Local Differential Privacy in Practice
آمار نحوه استفاده از اپلیکیشن یا سیستم که هر ثانیه گزارش می‌شود از مصادیق داده‌های Telemetry هستند. Telemetry به معنی دورسنجی (سنجش از راه دور)… ادامه »Collecting Telemetry Data Privately
داده‌های حساس معمولا از مجموعه‌ای از کاربران با گزارش‌های تکراری در طول زمان جمع‌آوری می‌شود. برای مثال، ممکن است تنظیمات شخصی کاربران یا نحوه استفاده… ادامه »Amplification by Shuffling: From Local to Central Differential Privacy via Anonymity
در تحقیقات پیشین انجام شده در زمینه حریم خصوصی محلی، به گونه خاصی از داده‌ها که از نوع hybrid/heterogeneous هستند کمتر پرداخته شده است. از جمله این… ادامه »PCKV: Locally Differentially Private Correlated Key-Value Data Collection with Optimized Utility
در بخش‌های قبلی به بررسی حریم خصوصی تفاضلی (حریم خصوصی تفاضلی سراسری) پرداختیم. در این بخش با مطرح کردن چالشی اساسی در استفاده از حریم… ادامه »حریم خصوصی تفاضلی محلی