动手学差分隐私
正版图书，可开发票，请放心购买。
￥ 64.65 8.2折 ￥ 79 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者[美]约瑟夫·P. 尼尔(Joseph P. Near),[美]希肯·亚比雅(Chiké Abuah)
出版社机械工业
ISBN9787111741312
出版时间2024-01
装帧其他
开本其他
定价79元
货号31936049
上书时间2024-04-12
- 店主推荐
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
约瑟夫·P.尼尔（JosephP.Near）佛蒙特大学计算机科学系助理教授。他的研究兴趣包括数据隐私、计算机安全和编程语言。他在印第安纳大学获得计算机科学学士学位，在麻省理工学院获得计算机科学硕士和博士学位。<br/><br/>希肯·亚比雅（ChikéAbuah）计算机科学家，研究方向为数据隐私、网络安全和自动推理。他在佛蒙特大学获得计算机科学博士学位。目前，他致力于研究和实现编程语言和分析工具，帮助程序员构建可靠的软件。他曾在纽约一家初创公司担任全栈软件工程师。
目录
目 录<br />译者序<br />第1章 引言 1<br />第2章 去标识 3<br />2.1 关联攻击 4<br />2.1.1 重标识出Karrie有多难 5<br />2.1.2 Karrie很特别吗 7<br />2.1.3 可以重标识出多少个个体 8<br />2.2 聚合 10<br />2.2.1 小分组问题 10<br />2.2.2 差分攻击 11<br />2.3 总结 12<br />第3章 k-匿名性 13<br />3.1 验证k-匿名性 14<br />3.2 泛化数据以满足k-匿名性 15<br />3.3 引入更多的数据可以减小泛化的影响吗 17<br />3.4 移除异常值 19<br />3.5 总结 20<br />第4章 差分隐私 21<br />4.1 拉普拉斯机制 22<br />4.2 需要多大的噪声 24<br />第5章 差分隐私的性质 25<br />5.1 串行组合性 25<br />5.2 并行组合性 29<br />5.2.1 直方图 30<br />5.2.2 列联表 31<br />5.3 后处理性 32<br />第6章 敏感度 35<br />6.1 距离 36<br />6.2 计算敏感度 37<br />6.2.1 计数问询 37<br />6.2.2 求和问询 38<br />6.2.3 均值问询 39<br />6.3 裁剪 40<br />第7章 近似差分隐私 45<br />7.1 近似差分隐私的性质 46<br />7.2 高斯机制 46<br />7.3 向量值函数及其敏感度 48<br />7.3.1 L1和L2范数 48<br />7.3.2 L1和L2敏感度 48<br />7.3.3 选择L1还是L2 49<br />7.4 灾难机制 49<br />7.5 高级组合性 50<br />7.6 近似差分隐私的高级组合性 53<br />第8章 局部敏感度 55<br />8.1 均值问询的局部敏感度 56<br />8.2 通过局部敏感度实现差分隐私 57<br />8.3 平滑敏感度 60<br />8.4 采样-聚合框架 62<br />第9章 差分隐私变体 67<br />9.1 最大散度和瑞丽散度 70<br />9.2 瑞丽差分隐私 71<br />9.3 零集中差分隐私 72<br />9.4 不同差分隐私变体的组合性 73<br />第10章 指数机制 77<br />10.1 有限集合的指数机制 78<br />10.2 报告噪声最大值 79<br />10.3 将指数机制作为差分隐私的基本机制 81<br />第11章 稀疏向量技术 83<br />11.1 高于阈值算法 83<br />11.2 应用稀疏向量技术 85<br />11.3 返回多个问询结果 89<br />11.4 应用：范围问询 91<br />第12章 算法设计练习 93<br />12.1 需要考虑的问题 93<br />12.2 更普适的采样-聚合算法 93<br />12.3 汇总统计 94<br />12.4 频繁项 95<br />12.5 分层查询 95<br />12.6 一系列范围问询 96<br />?12.6.1 第1部分 96<br />?12.6.2 第2部分 96<br />?12.6.3 第3部分 96<br />第13章 机器学习 97<br />13.1 使用scikit-learn实现逻辑回归 98<br />13.2 模型是什么 99<br />13.3 使用梯度下降训练模型 100<br />?13.3.1 单步梯度下降 102<br />?13.3.2 梯度下降算法 103<br />13.4 差分隐私梯度下降 104<br />?13.4.1 梯度裁剪 105<br />?13.4.2 梯度的敏感度 108<br />13.5 噪声对训练的影响 110<br />第14章 本地差分隐私 113<br />14.1 随机应答 114<br />14.2 一元编码 118<br />第15章 合成数据 125<br />15.1 合成表示：直方图 126<br />15.2 增加差分隐私 127<br />15.3 生成列表数据 129<br />15.4 生成更多数据列 131<br />15.5 总结 134<br />参考文献 135
内容摘要
本书是一本面向程序员的差分隐私书籍，主要介绍数据隐私保护领域所面临的挑战，描述为解决这些挑战而提出的技术，并帮助读者理解如何实现其中一部分技术。本书前几章主要介绍去标识化、聚合、k-匿名性等无法抵御复杂隐私攻击的常用隐私技术。然后通过差分隐私技术、差分隐私的性质、敏感度、近似差分隐私、局部敏感度、差分隐私变体、指数机制、稀疏向量技术、本地差分隐私和合成数据等内容，详细介绍差分隐私如何从数学和技术角度提供隐私保护能力。<br/>
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价