基于差分隐私的Slope One协同过滤推荐算法，王辉，何杰，Slope One算法是一种简洁高效且推荐精度高的协同过滤推荐算法，然而其很难提供一个严格的隐私保证。潜在攻击者可以通过观察用户的推

Differential Privacy From Theory to Practice，作者为Ninghui Li Purdue University。总共140页

提出一种基于随机森林的差分隐私保护算法DiffPRFs，在每一棵决策树的构建过程中采用指数机制选择分裂点和分裂属性，并根据拉普拉斯机制添加噪声。在整个算法过程中满足差分隐私保护需求，相对于已有算法，该方法无需对数据进行离散化预处理，消除了多维度大数据离散化预处理对于分类系统性能的消耗，便捷地实现分类并保持了较高的分类准确度。实验结果验证了本算法的有效性以及相较于其他分类算法的优势。

联邦学习论文

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。

今天小编就为大家分享一篇python实现差分隐私Laplace机制详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

Laplace分布定义： 下面先给出Laplace分布实现代码： import matplotlib.pyplot as plt import numpy as np def laplace_function(x,beta): result = (1/(2*beta)) * np.e**(-1*(np.abs(x)/beta)) return result #在-5到5之间等间隔的取10000个数 x = np.linspace(-5,5,10000) y1 = [laplace_function(x_,0.5) for x_ in x] y2 = [laplace_function(

针对机器学习中的隐私威胁，分别从差分隐私，同态加密以及安全多方计算这三个方面对机器学习中的隐私安全进行描述。

本文档属于调研报告类型，由作者自己原创，文中主要介绍了机器学习的隐私定义，机器学习的隐私威胁，以及机器学习的隐私保护机制，其中保护机制分为三种，差分隐私，同态加密和安全多方计算，从这三个方面分别对隐私保护进行阐述。

差分隐私基础 Dwork