RRTxFM: Probabilistic Counting for Differentially Private Statistics
RRTxFM: Probabilistic Counting for Differentially Private Statistics
复制标题
RRTxFM：差分隐私统计的概率计数
DOI：
10.1007/978-3-030-39634-3_9
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Florian Tschorsch
中科院分区：
文献类型：
--
作者：
Saskia Nuñez von Voigt;Florian Tschorsch
数据最小化已经成为在收集和存储个人数据时解决隐私问题的范例。在本文中，我们提出了两种新的方法，RSTxFM和RRTxFM，估计数据集的基数，同时确保差分隐私。我们认为，隐私保护的基数估计能够实现强隐私的要求。这两种方法都是基于概率计数算法，具有对数空间复杂度。我们将联合收割机与随机化技术相结合，以提供差异隐私。在我们的分析中，我们详细介绍了隐私和实用性保证，并揭示了各种参数的影响。此外，我们将劳动力分析作为高度隐私至关重要的应用领域进行讨论。
Data minimization has become a paradigm to address privacy concerns when collecting and storing personal data. In this paper we present two new approaches, RSTxFM and RRTxFM, to estimate the cardinality of a dataset while ensuring differential privacy. We argue that privacy-preserving cardinality estimators are able to realize strong privacy requirements. Both approaches are based on a probabilistic counting algorithm which has a logarithmic space complexity. We combine this with a randomization technique to provide differential privacy. In our analysis, we detail the privacy and utility guarantees and expose the impact of the various parameters. Moreover, we discuss workforce analytics as application area where strong privacy is paramount.
DOI：
10.1016/j.comnet.2013.05.011
发表时间：
2013-10
期刊：
Comput. Networks
影响因子：
--
作者：
Florian Tschorsch;Björn Scheuermann
通讯作者：
Florian Tschorsch;Björn Scheuermann