差分隐私统计数据发布
全新正版 极速发货
￥ 34.35 5.8折 ￥ 59 全新
库存4件
广东广州
认证卖家担保交易快速发货售后保障
作者吴英杰
出版社清华大学出版社
ISBN9787302524168
出版时间2022-07
装帧平装
开本16开
定价59元
货号1202686671
上书时间2024-06-01
商品详情
- 品相描述：全新
- 商品描述
-
目录
第1章 基于差分隐私的统计数据发布概述
1.1 ε-差分隐私模型
1.2 差分隐私的实现机制
1.2.1 Laplace机制
1.2.2 指数机制
1.3 差分隐私的组合特性
1.4 差分隐私数据保护框架
1.5 差分隐私保护方法的性能度量
参考文献
第2章 面向任意区间树结构的差分隐私直方图发布
2.1 引言
2.2 基础知识与问题提出
2.3 面向任意区间树结构的差分隐私直方图发布迭代算法
2.3.1 k-区间树
2.3.2 局部很优线性无偏估计及其算法
2.3.3 基于LBLUE解全局很优线性无偏估计的迭代算法
2.3.4 算法分析
2.3.5 实验结果与分析
2.4 面向任意区间树结构的差分隐私直方图发布线性时间算法
2.4.1 差分隐私区间树中节点权值的很优线性无偏估计
2.4.2 求解差分隐私区间树节点权值很优线性无偏估计的算法
2.4.3 算法复杂度分析
2.4.4 实验结果与分析
2.5 本章小结
参考文献
第3章 异方差加噪下的差分隐私直方图发布
3.1 引言
3.2 基础知识与问题提出
3.3 基于区间查询概率的差分隐私直方图发布
3.3.1 问题提出
3.3.2 基于区间计数查询概率的差分隐私直方图发布算法
3.3.3 实验结果与分析
3.4 异方差加噪下面向任意树结构的差分隐私直方图发布算法
3.4.1 节点覆盖概率计算
3.4.2 节点系数计算及隐私预算分配
3.4.3 算法描述与分析
3.4.4 实验结果与分析
3.4.5 算法运行效率比较
3.5 本章小结
参考文献
第4章 差分隐私流数据自适应发布
4.1 引言
4.2 基础知识与问题提出
4.3 基于历史查询的差分隐私流数据自适应发布
4.3.1 滑动窗口下的区间树动态构建
4.3.2 节点被覆盖概率计算及隐私预算预分配
4.3.3 基于历史查询的差分隐私流数据发布自适应算法HQ_DPSAP
4.3.4 实验结果与分析
4.4 异方差加噪下差分隐私流数据发布一致性优化算法
4.4.1 一致性约束优化
4.4.2 基于滑动窗口的差分隐私流数据一致性优化算法
4.4.3 算法分析
4.4.4 实验结果与分析
4.5 本章小结
参考文献
第5章 基于矩阵机制的差分隐私连续数据发布
5.1 引言
5.2 基础知识与问题提出
5.3 基于矩阵机制的差分隐私连续数据发布
5.4 隐私连续数据发布算法
5.4.1 策略矩阵的构建
5.4.2 查询均方误差的降低
5.4.3 最小误差的快速求解
5.4.4 优化效果分析
5.4.5 实验结果与分析
5.5 本章小结
参考文献
第6章 指数衰减模式下的差分隐私连续数据发布
6.1 引言
6.2 基础知识与问题提出
6.3 指数衰减模式下的差分隐私连续数据发布
6.3.1 策略矩阵构造
6.3.2 利用对角矩阵优化发布精度
6.3.3 实验结果与分析
6.4 本章小结
参考文献
第7章 基于矩阵机制的差分隐私流数据实时发布
7.1 引言
7.2 基础知识与问题提出
7.3 差分隐私流数据实时发布
7.3.1 树模型构建
7.3.2 利用矩阵机制优化查询精度
7.3.3 算法描述
7.3.4 算法分析
7.3.5 实验结果与分析
7.4 指数衰减模式下的差分隐私流数据发布
7.4.1 算法思想
7.4.2 算法描述
7.4.3 算法分析
7.4.4 实验结果与分析
7.5 基于历史查询的差分隐私流数据实时发布
7.5.1 算法思想
7.5.2 算法描述
7.5.3 实验结果与分析
7.6 本章小结
参考文献
第8章 矩阵机制下差分隐私数据发布方法的误差分析
8.1 引言
8.2 基础知识与问题提出
8.3 Prievlet算法的误差分析
8.3.1 Prievlet差分隐私算法
8.3.2 分析Prievlet算法的均方误差
8.3.3 求解Prievlet算法的均方误差
8.4 O(log32N)准确度指标
8.5 实验分析
8.5.1 验证固定区间查询误差算法
8.5.2 验证平均区间查询误差算法
8.6 本章小结
参考文献
内容摘要
本书主要阐述数据统计发布中的差分隐私保护模型及其关键算法。全书共8章，主要内容包括差分隐私基础知识、面向任意区间树结构及其扩展背景（考虑区间计数查询分布和异方差加噪）下的差分隐私直方图发布、面向流/连续数据发布的差分隐私保护、差分隐私数据发布方法的误差分析等。本书主要面向高等学校计算机科学与技术、网络空间安全、管理科学与工程等学科相关专业高年级本科生、研究生以及数据安全隐私保护的研究者。
— 没有更多了 —
以下为对购买帮助不大的评价