大数据时代背景下,各行各业希望能基于用户行为数据来训练推荐模型,为用户提供精准推荐,所用数据的共性特点为总量庞大、携带敏感信息、易于获取。

讲述强化学习中应用差分隐私的方法，对应的论文为《Differentially Private Reinforcement Learning》

#资源达人分享计划#

差分隐私早期学习笔记。 含"差分隐私_notes"的汇报文档，以及包含高斯机制(The Gaussian Mechanism)详细证明的文档

行业分类-物理装置-基于非均匀四叉树的位置大数据差分隐私划分发布方法.zip

差分隐私关于局部敏感度的整理.docx

该文件为ppt格式，内容为差分隐私保护的基础概念和理论。对初学者有帮助。建议初学者先孳息阅读博客内容三遍以上，如果有条件结合吴英杰的隐私保护数据模型发布这本书，吃透理论。下载的课件有实例，帮助理解。

差分隐私和机器学习PPT

位置定位服务技术作为一种全新的移动计算服务，在日常生活中应用广泛。一方面，数据信息共享极大地方便了人们的日常生活，另一方面也存在由于泄露个人敏感信息而产生的弊端，因此如何保护好位置数据是关键。由于位置数据具有价值高和低密度的特性，导致现有的隐私保护方法很难兼顾数据的保护和数据的效用性。基于差分隐私机制的位置数据隐私保护策略通过采用多级查询树的结构来查询和发布保护后的数据，并保持了数据项间的联系。首先构建多级查询树（位置搜索树），然后遍历查询树，使用差分隐私的指数机制来选取访问频率高的k项，最后通过拉普拉斯机制给选取的k项进行加噪。实验表明，相比于其他保护策略，基于差分隐私机制的位置数据隐私保护策略可用性和数据保护程度高，算法运行时间少，效率更高。

Deep learning with differential privacy---PPT.pdf