matlab+ldp代码-PCKV:USENIXSecurity'20

上传者: 38528517 | 上传时间: 2021-08-14 10:08:43 | 文件大小: 1.01MB | 文件类型: ZIP
matlab + ldp代码PCKV:具有优化实用程序的本地差异私有相关的键值数据收集 这是我们工作的示例代码(在MATLAB中)[USENIX Security'20] 本地差异隐私(LDP)下的数据收集主要针对同类数据进行了研究。 实际应用中经常涉及不同数据类型的混合,例如键值对,其中键的频率和每个键下值的平均值必须同时估算。 对于使用LDP进行键值数据收集,实现良好的公用事业-隐私权折衷是一项挑战,因为数据包含两个维度,并且用户可能拥有多个键值对。 键和值之间也存在内在的关联,如果不加以利用,将导致效用不佳。 为了解决此问题,我们提出了一种本地差分私有相关键值(PCKV)数据收集框架,该框架利用相关扰动来增强实用性。 主要贡献概述如下: 我们提出了两种机制下的PCKV框架:PCKV-UE和PCKV-GRR,这两种机制分别是一元编码(UE)和广义随机响应(GRR)。 我们的方案是非交互式的(与PrivKVM相比),因为均值是在一轮中估算的。 我们从理论上分析期望值和MSE,并显示其渐近无偏性。 我们对键值数据采用了填充和采样协议,该协议比PrivKVM中使用的采样协议更好地处理了大

文件下载

资源详情

[{"title":"( 9 个子文件 1.01MB ) matlab+ldp代码-PCKV:USENIXSecurity'20","children":[{"title":"PCKV-main","children":[{"title":"data_clothing_rating.mat <span style='color:#111;'> 1.00MB </span>","children":null,"spread":false},{"title":"PG2.m <span style='color:#111;'> 2.22KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 2.83KB </span>","children":null,"spread":false},{"title":"PCKV_GRR.m <span style='color:#111;'> 1.92KB </span>","children":null,"spread":false},{"title":"PG1.m <span style='color:#111;'> 2.46KB </span>","children":null,"spread":false},{"title":"GenData.m <span style='color:#111;'> 847B </span>","children":null,"spread":false},{"title":"PCKV_UE.m <span style='color:#111;'> 1.64KB </span>","children":null,"spread":false},{"title":"TightPlots.m <span style='color:#111;'> 6.05KB </span>","children":null,"spread":false},{"title":"true_result.m <span style='color:#111;'> 605B </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明