建立基于差分隐私的贝叶斯网络，使得结构化数据同时兼备隐私性与效用性
1）对原始d维数据集预处理：运用二分k均值算法对连续型数据离散化 2）设置差分隐私预算epsilon1，使用指数机制来构造k度的贝叶斯网络N，并输出d对AP的概率分布 3）设置差分隐私运算epsilon2，在d对AP对的概率分布中加入拉普拉斯噪声 4）生成具有噪声的近似AP对概率分布 5）从具有噪声的概率分布中采样，生成发布数据集 6）通过α-边际分布和SVM分类器评估新生成的数据集的隐私性和效用性。
2021-04-17 06:53:10
2.10MB
1
解析车企在数字化转型中面临的风险挑战以及汽车行业网络安全与隐私保护风险，汽车行业网络安全及合规管理框架
2021-04-12 21:00:08
2.41MB
Ashampoo AntiSpy Pro（win10隐私设置工具）官方正式版V1.0.2
2021-04-11 13:00:54
23.27MB
1
本报告通过总结隐私保护计算关键技术、详细梳理我国个人信息和隐私保护法律法规框架，分析隐私保护计算技术相关的个人信息和隐私保护的关键合规点，深入讨论了隐私保护计算技术如何帮助企业更好的满足个人信息和隐私保护的要求。最后，围绕建立健全法律法规体系、加快标准体系建设、强化全流程风险防控、明确安全与发展并举以及人才培养进行了展望，并为关注个人信息和隐私保护的社会各界提供有益参考。
2021-04-07 22:00:23
1.71MB
数据孤岛以及模型训练和应用过程中的隐私泄露是当下阻碍人工智能技术发展的主要难题。联邦学习作为一种高效的隐私保护手段应运而生。联邦学习是一种分布式的机器学习方法，以在不直接获取数据源的基础上，通过参与方的本地训练与参数传递，训练出一个无损的学习模型。
2021-04-07 19:58:19
1.71MB
1