7,129
个编辑
更改
→编者推荐
==编者推荐==
==编者推荐==
[[File:差分隐私.png|400px|[https://campus.swarma.org/course/2812 本地化差分隐私下的数据分析技术探索 ]]]
===集智课程===
===集智课程===
====[]====
====[https://campus.swarma.org/course/2812 本地化差分隐私下的数据分析技术探索 ]====
随着大数据分析的盛行，服务提供商越来越热衷于收集和分析用户的行为数据以改善其服务。然而，个人数据的收集通常伴随着隐私风险，不仅对用户而言如此，对容易遭遇内部和外部数据泄露的服务提供商而言也是如此。本地差分隐私 （Local Differential Privacy, LDP）是一种新兴的的隐私保护模型，能够在个人数据的收集和分析过程中为敏感数据提供强健的隐私保护。本地化差分隐私技术摒弃了可信第三方的假设，每个用户首先在本地对数据进行扰动，然后再将其发送数据至不可信第三方数据收集者。目前，包括谷歌、苹果和微软在内的大型互联网公司已将本地化差分隐私技术成功部署在相关的落地产品中。
在这次读书会分享中，首先会介绍本地化差分隐私技术的基本原理，然后阐述其主要研究方面，最后提出本地化差分隐私当前的研究挑战和未来的研究方向。
====[https://campus.swarma.org/course/2342 时空数据挖掘与用户隐私保护]====
近些年随着国家城镇化战略的实施，大城市、城市群飞速发展，带来了交通、环境等一系列城市问题。究其根源，是我们对城市运转的本质理解不够，对其发展规律把控不足。城市大数据为我们研究其规律提供了宝贵的机会，然而当我们想用数据驱动的方法来解决城市问题的时候，却很面临着数据质量参差不起、多源数据天然分离等问题。针对以上问题，我们研发了一系列智能时空数据增强技术，实现了从局部数据恢复出全局数据、从低分辨率数据估计出高分辨率数据、基于多域分离数据形成跨域融合数据，实现了从小数据到城市大数据的跨越。基于这些数据，我们实现了从个体层面到群里层面的用户时空移动规律建模，并且研究了其中的隐私保护问题。