A firm foundation for statistical disclosure control
A firm foundation for statistical disclosure control
复制标题
统计披露控制的坚实基础
DOI：
10.1007/s42081-020-00086-9
复制
发表时间：
2020
影响因子：
1.3
通讯作者：
Hoshino Nobuaki
中科院分区：
文献类型：
--
作者：
Kyohei Seino;Shigeru Yamashita;Hoshino Nobuaki
本文回顾了统计学和计算机科学中的数据隐私和保密理论，以使匿名化理论现代化。这一努力产生了甚至适用于合成数据的身份公开和属性公开的数学定义。并阐明了差分隐私作为约束总体推断准确性的一种方法。该界由Hammersley-Chapman-Robbins不等式导出，并导致微分隐私的隐私预算的直观选择。
The present article reviews the theory of data privacy and confidentiality in statistics and computer science, to modernize the theory of anonymization. This effort results in the mathematical definitions of identity disclosure and attribute disclosure applicable to even synthetic data. Also differential privacy is clarified as a method to bound the accuracy of population inference. This bound is derived by the Hammersley-Chapman-Robbins inequality, and it leads to the intuitive selection of the privacy budgetof differential privacy.
登录
查看更多内容
大样本的实用数据合成
DOI：
10.29012/jpc.v7i3.407
发表时间：
2018
期刊：
J. Priv. Confidentiality
影响因子：
--
作者：
G. Raab;B. Nowok;C. Dibben
通讯作者：
C. Dibben
微观数据的披露控制
影响因子：
3.7
作者：
J. Bethlehem;W. Keller;J. Pannekoek
通讯作者：
J. Pannekoek
DOI：
--
发表时间：
1996
期刊：
影响因子：
--
作者：
L. Willenborg;T. Waal
通讯作者：
T. Waal
影响因子：
1.8
作者：
Kifer, Daniel;Machanavajjhala, Ashwin
通讯作者：
Machanavajjhala, Ashwin
面板企业微观数据的匿名化——德国项目调查
影响因子：
3.4
作者：
M. Brandt;R. Lenz;Martin Rosemann
通讯作者：
Martin Rosemann