داده‌های با ابعاد بالا حاوی اطلاعات ارزشمندی هستند كه می‌توانند به تصميم‌گيری و ارائه هرچه بهتر خدمات كمک كنند. به همين منظور در سازوكارهای حريم… ادامه »Collecting High-Dimensional and Correlation-Constrained Data with Local Differential Privacy
به كمک جمع‌آوری داده‌های جمع‌سپاری با ابعاد بالا، می‌توان بسياری از اطلاعات و الگوهای بالقوه پشت داده‌ها را استخراج كرده و به كمک آن پيش‌بينی… ادامه »LoPub: High-Dimensional Crowdsourced Data Publication with Local Differential Privacy
داده‌های با ابعاد بالا مانند داده‌های مراقبت‌های بهداشتی يا داده‌های رفتاری كاربر، برای اهداف متفاوتی مورد استفاده قرار می‌گيرند و اغلب اين داده‌ها در اختيار… ادامه »Multi-Party High-Dimensional Data Publishing Under Differential Privacy
در سال‌های اخیر، انتشار داده‌ها با حفظ حریم خصوصی آنها توجه زیادی را به خود جلب کرده است. روش‌های حریم خصوصی تفاضلی موجود برای زمانی… ادامه »DPPro: Differentially Private High-Dimensional Data Release via Random Projection