動手學差分隱私

目　　錄
譯者序
第1章　引言　　1
第2章　去標識　　3
2.1　關聯(lián)攻擊　　4
2.1.1　重標識出Karrie有多難　　5
2.1.2　Karrie很特別嗎　　7
2.1.3　可以重標識出多少個個體　　8
2.2　聚合　　10
2.2.1　小分組問題　　10
2.2.2　差分攻擊　　11
2.3　總結　　12
第3章　k-匿名性　　13
3.1　驗證k-匿名性　　14
3.2　泛化數(shù)據(jù)以滿足k-匿名性　　15
3.3　引入更多的數(shù)據(jù)可以減小泛化的影響嗎　　17
3.4　移除異常值　　19
3.5　總結　　20
第4章　差分隱私　　21
4.1　拉普拉斯機制　　22
4.2　需要多大的噪聲　　24
第5章　差分隱私的性質　　25
5.1　串行組合性　　25
5.2　并行組合性　　29
5.2.1　直方圖　　30
5.2.2　列聯(lián)表　　31
5.3　后處理性　　32
第6章　敏感度　　35
6.1　距離　　36
6.2　計算敏感度　　37
6.2.1　計數(shù)問詢　　37
6.2.2　求和問詢　　38
6.2.3　均值問詢　　39
6.3　裁剪　　40
第7章　近似差分隱私　　45
7.1　近似差分隱私的性質　　46
7.2　高斯機制　　46
7.3　向量值函數(shù)及其敏感度　　48
7.3.1　L1和L2范數(shù)　　48
7.3.2　L1和L2敏感度　　48
7.3.3　選擇L1還是L2　　49
7.4　災難機制　　49
7.5　高級組合性　　50
7.6　近似差分隱私的高級組合性　　53
第8章　局部敏感度　　55
8.1　均值問詢的局部敏感度　　56
8.2　通過局部敏感度實現(xiàn)差分隱私　　57
8.3　平滑敏感度　　60
8.4　采樣-聚合框架　　62
第9章　差分隱私變體　　67
9.1　最大散度和瑞麗散度　　70
9.2　瑞麗差分隱私　　71
9.3　零集中差分隱私　　72
9.4　不同差分隱私變體的組合性　　73
第10章　指數(shù)機制　　77
10.1　有限集合的指數(shù)機制　　78
10.2　報告噪聲最大值　　79
10.3　將指數(shù)機制作為差分隱私的基本機制　　81
第11章　稀疏向量技術　　83
11.1　高于閾值算法　　83
11.2　應用稀疏向量技術　　85
11.3　返回多個問詢結果　　89
11.4　應用：范圍問詢　　91
第12章　算法設計練習　　93
12.1　需要考慮的問題　　93
12.2　更普適的采樣-聚合算法　　93
12.3　匯總統(tǒng)計　　94
12.4　頻繁項　　95
12.5　分層查詢　　95
12.6　一系列范圍問詢　　96
?12.6.1　第1部分　　96
?12.6.2　第2部分　　96
?12.6.3　第3部分　　96
第13章　機器學習　　97
13.1　使用scikit-learn實現(xiàn)邏輯回歸　　98
13.2　模型是什么　　99
13.3　使用梯度下降訓練模型　　100
?13.3.1　單步梯度下降　　102
?13.3.2　梯度下降算法　　103
13.4　差分隱私梯度下降　　104
?13.4.1　梯度裁剪　　105
?13.4.2　梯度的敏感度　　108
13.5　噪聲對訓練的影響　　110
第14章　本地差分隱私　　113
14.1　隨機應答　　114
14.2　一元編碼　　118
第15章　合成數(shù)據(jù)　　125
15.1　合成表示：直方圖　　126
15.2　增加差分隱私　　127
15.3　生成列表數(shù)據(jù)　　129
15.4　生成更多數(shù)據(jù)列　　131
15.5　總結　　134
參考文獻　　　 135