Privacy Definitions - (alpha, beta)-privacy
如果对一个事件AAA越确定,该事件的概率P(A)P(A)P(A)就越大;对一个事件BBB越不确定,则该事件的概率P(B)P(B)P(B)就越小。通过事件AAA,可以增大事件BBB的确定性,也可能造成干扰降低对事件BBB的确定性。
在隐私中,为了可能地保护隐私,应尽可能让攻击者在发布统计数据后对某个事件的确定性,和发布前对该事件的确定性相差不大。发布统计数据后对某个事件的确定性称为后验知识,发布前对该事件的确定性称为先验知识。如发布前事件A的概率为P(A)=0.3P(A)=0.3P(A)=0.3,发布统计数据R(A)R(A)R(A)后,攻击者对事件A的概率确定性提高到了P(A∣R(A))=0.9P(A|R(A))=0.9P(A∣R(A))=0.9,那么在某种程度上泄漏了事件AAA的隐私,不能够很好地保护隐私。
隐私上缺口(upward (alpha, beta)-privacy breach)
定义(upward(α,β)−privacybreachupward\ (\alpha,\beta)-privacy\ breachupward (α,β)−privacy breach):1定义RRR是输入为u∈DUu\in D_{U}u∈DU,输出为v∈DVv\in D_{V}v∈DV的算法。如果对于某个概率分布fff,存在一个预测器ϕ\phiϕ,有:
∃u∈Du,∃v∈Dv,s.t.Pf(ϕ(u))≤αandPf(ϕ(u)∣R(u)=v)≥β,\exists u\in D_u,\exists v\in D_v, s.t.\ P_{f}(\phi(u))\leq \alpha\ and\ P_{f}(\phi(u)|R(u)=v)\geq \beta,∃u∈Du,∃v∈Dv,s.t. Pf(ϕ(u))≤α and Pf(ϕ(u)∣R(u)=v)≥β,
则称算法RRR存在(α,β\alpha,\betaα,β)隐私上缺口(upward (alpha, beta)-privacy breach)。
MARK:
- 算法RRR可以简单理解为一个函数,定义域为DUD_UDU,值域为DVD_VDV。
- 算法RRR可以认为是对数据(比如疾病)进行了处理后发布,一种常用的方式是加噪处理。
- 例:若α=0.3,β=0.9\alpha=0.3,\beta=0.9α=0.3,β=0.9,若算法RRR存在隐私上缺口,那么攻击者通过发布的信息得到了额外的知识,对uuu能够更加准确的预测。
隐私下缺口(downward (alpha, beta)-privacy breach)
同样地可以定义隐私下缺口:
定义(downward(α,β)−privacybreachdownward\ (\alpha,\beta)-privacy\ breachdownward (α,β)−privacy breach):定义RRR是输入为u∈DUu\in D_{U}u∈DU,输出为v∈DVv\in D_{V}v∈DV的算法。如果对于某个概率分布fff,存在一个预测器ϕ\phiϕ,有:
∃u∈Du,∃v∈Dv,s.t.Pf(ϕ(u))≤βandPf(ϕ(u)∣R(u)=v)≥α,\exists u\in D_u,\exists v\in D_v, s.t.\ P_{f}(\phi(u))\leq \beta\ and\ P_{f}(\phi(u)|R(u)=v)\geq \alpha,∃u∈Du,∃v∈Dv,s.t. Pf(ϕ(u))≤β and Pf(ϕ(u)∣R(u)=v)≥α,
则称算法RRR存在(α,β\alpha,\betaα,β)隐私上缺口(upward (alpha, beta)-privacy breach)。
MARK:
- 注意α,β\alpha,\betaα,β互换位置了;
- 例:若α=0.05,β=0.6\alpha=0.05,\beta=0.6α=0.05,β=0.6,若算法RRR存在隐私上缺口,那么攻击者通过发布的信息可以非常确定uuu是不太可能出现的。
(alpha, beta)-privacy
定义:((α,β)−privacy(\alpha,\beta)-privacy(α,β)−privacy).定义RRR是输入为u∈DUu\in D_{U}u∈DU,输出为v∈DVv\in D_{V}v∈DV的一个算法。当RRR不存在(α,β\alpha,\betaα,β)隐私上缺口和(α,β\alpha,\betaα,β)隐私下缺口时,称RRR满足(α,β)−privacy(\alpha, \beta)-privacy(α,β)−privacy。
MARK
- 该定义从算法的角度,而不是数据的角度定义了隐私;
- 该定义限制了攻击者在看到发布数据后,对任意事件确定性的变化,即概率差不超过β−α\beta-\alphaβ−α。
https://www.researchgate.net/publication/220626610_Privacy-Preserving_Data_Publishing ↩︎
Privacy Definitions - (alpha, beta)-privacy相关推荐
- 软件版本中 release stable alpha beta pre snapshot 区别
我们在下载软件会遇到诸如release,stable,alpha,beta,pre,current,eval,rc,snapshot等版本,程序猿下载插件时尤为常见,现在我说明以下版本的意思 1,sn ...
- 五子棋AI算法第三篇-Alpha Beta剪枝
剪枝是必须的 五子棋AI教程第二版发布啦,地址:https://github.com/lihongxun945/myblog/labels/%E4%BA%94%E5%AD%90%E6%A3%8BAI% ...
- alpha-beta剪枝五子棋c语言,五子棋AI算法第三篇-Alpha Beta剪枝
剪枝是必须的 上一篇讲了极大极小值搜索,其实单纯的极大极小值搜索算法并没有实际意义. 可以做一个简单的计算,平均一步考虑 50 种可能性的话,思考到第四层,那么搜索的节点数就是 50^4 = 6250 ...
- 软件的版本Alpha Beta RC Build等到底是什么意思?
版本号: V(Version):即版本,通常用数字表示版本号.(如:EVEREST Ultimate v4.20.1188 Beta ) Build:用数字或日期标示版本号的一种方式.(如:VeryC ...
- 软件版本号讲解:什么是Alpha,Beta,RC,Release
软件版本号讲解:什么是Alpha,Beta,RC,Release 关键字: 版本, alpha, beta, rc, release 一.软件版本阶段说明 Alpha版: 此版本表示该软件在此阶段主要 ...
- 基于python的AI五子棋实现(极大极小值搜索和alpha beta剪枝)
1.极大极小值搜索介绍 人机博弈是人工智能的重要分支,人们在这一领域探索的过程中产生了大量的研究成果,而极小化极大算法(minimax)是其中最基础的算法,它由Shannon在1950年正式提出. M ...
- 【生信】使用QIIME进行 进化树,Alpha,Beta多样性 分析
使用QIIME进行 进化树,Alpha,Beta多样性 分析 上回讲到,使用Usearch进行进化树,Alpha,Beta多样性的分析.同时,我们还要再次强调QIIME的伟大之处在于全流程分析的能力. ...
- Alpha-Beta剪枝(Alpha Beta Pruning)
Alpha-Beta剪枝算法(Alpha Beta Pruning) [说明] 本文基于<<CS 161 Recitation Notes - Minimax with Alpha Bet ...
- 五子棋AI算法-Alpha Beta剪枝
上一篇讲了极大极小值搜索,其实单纯的极大极小值搜索算法并没有实际意义. 可以做一个简单的计算,平均一步考虑 50 种可能性的话,思考到第四层,那么搜索的节点数就是 50^4 = 6250000,在我的 ...
最新文章
- 到底应该加几个卷积核?
- C orm mysql_Simple MySQL-C ORM
- 【WinForm-无边框窗体】实现Panel移动窗体,没有边框的窗体
- (原+转)使用opencv的DFT计算卷积
- 实战 | 后端日志的前世今生
- 第四次学习记录(ROS)
- retrofitWrap
- dp线和hdmi区别_各类视频线有什么区别?应该怎么选呢?
- 41. Element getElementsByTagName() 方法
- bzoj千题计划176:bzoj1199: [HNOI2005]汤姆的游戏
- 更新linux gcc版本到gcc 4.4.2
- 基于Tensorflow深度学习的ECG身份识别方法(二)
- 翡翠手链的寓意是什么?要如何保养它才好!
- HLS流媒体服务器对性能要求,搭建hls直播流媒体服务器有什么要求?
- 计算机视觉 python 解图片数独题
- Java汉字输入练习
- sql server 2005安装内存不能读
- 编译原理 词法分析 算符优先分析法
- 判断两个整数是否互质
- 高效软件定时器的设计