Di ↵ erentially Private Analysis on Graph Streams
Di ↵ erentially Private Analysis on Graph Streams
复制标题
图流上的差异私有分析
DOI：
--
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
R. Arora
中科院分区：
文献类型：
--
作者：
Jalaj Upadhyay;Sarvagya Upadhyay;R. Arora
在本文中，我们专注于回答查询，在一个不同的私人方式，在图流。我们采用隐私的滑动窗口模型，我们希望对最后的W更新进行分析，并确保整个流的隐私得到保护。我们表明，在这个模型中，确保不公开隐私的代价是最小的。此外，由于在后处理下保留了不同的隐私，因此我们的结果可以用作许多任务中的子例程，最值得注意的是解决切割函数和谱聚类。
In this paper, we focus on answering queries, in a di ↵ erentially private manner, on graph streams. We adopt the sliding window model of privacy, where we wish to perform analysis on the last W updates and ensure that privacy is preserved for the entire stream. We show that in this model, the price of ensuring di ↵ erential privacy is minimal. Furthermore, since di ↵ erential privacy is preserved under post-processing, our results can be used as a subroutine in many tasks, most notably solving cut functions and spectral clustering.
登录
查看更多内容
影响因子：
2.5
作者：
Singer, A.
通讯作者：
Singer, A.
DOI：
10.1109/focs.2015.24
发表时间：
2015-08
期刊：
2015 IEEE 56th Annual Symposium on Foundations of Computer Science
影响因子：
--
作者：
Y. Lee;He Sun
通讯作者：
Y. Lee;He Sun
DOI：
10.4230/lipics.approx-random.2018.7
发表时间：
2018-05
期刊：
ArXiv
影响因子：
--
作者：
V. Braverman;Elena Grigorescu;Harry Lang;David P. Woodruff;Samson Zhou
通讯作者：
V. Braverman;Elena Grigorescu;Harry Lang;David P. Woodruff;Samson Zhou
滑动窗口模型下的次线性空间私有算法
DOI：
--
发表时间：
2019
期刊：
Proceedings of Machine Learning Research
影响因子：
--
作者：
Upadhyay, Jalaj
通讯作者：
Upadhyay, Jalaj