内容简介
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。
AI简介
这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。
书中对去标识的定义与方法进行了详细的阐述。去标识，顾名思义，就是将数据集中的标识信息移除的过程。去标识的方法主要有两种：一种是直接移除包含标识信息的列，另一种是将数据中一部分个体的标识信息保留下来，随后将把这些保留的标识信息作为辅助数据(auxiliary data)来实施一次重标识(re-identification)攻击。
在聚合数据的隐私问题部分，作者介绍了在数据发布过程中，如何保护个体隐私不被泄露。在数据发布中，我们通常会对数据进行聚合处理，例如计算数据集的平均值、最大值、最小值等，以保护个体的隐私。然而，即使进行了聚合处理，隐私问题仍然存在。
在验证k-匿名
推荐影视
阅读/下载地址