**部分 基于差分隱私的隱私保護(hù)機(jī)器學(xué)習(xí)基礎(chǔ) 第1章 機(jī)器學(xué)習(xí)中的隱私問題 1.1 人工智能時代的隱私問題 1.2 超出預(yù)期目的的學(xué)習(xí)威脅 1.2.1 隨時使用隱私數(shù)據(jù) 1.2.2 ML算法中的數(shù)據(jù)處理方式 1.2.3 為什么ML中的隱私保護(hù)很重要 1.2.4 監(jiān)管要求和可用性與隱私權(quán)衡 1.3 ML系統(tǒng)的威脅和攻擊 1.3.1 明文隱私數(shù)據(jù)的問題 1.3.2 重構(gòu)攻擊 1.3.3 模型反演攻擊 1.3.4 成員推理攻擊 1.3.5 去匿名化或重識別攻擊 1.3.6 大數(shù)據(jù)分析中隱私保護(hù)面臨的挑戰(zhàn) 1.4 在從數(shù)據(jù)中學(xué)習(xí)的同時確保隱私——保護(hù)隱私的機(jī)器學(xué)習(xí)技術(shù) 1.4.1 差分隱私的使用 1.4.2 本地化差分隱私 1.4.3 隱私保護(hù)的合成數(shù)據(jù)生成 1.4.4 隱私保護(hù)數(shù)據(jù)挖掘技術(shù) 1.4.5 壓縮隱私 1.5 本書是怎樣的結(jié)構(gòu)？ 第2章 機(jī)器學(xué)習(xí)中的差分隱私 2.1 什么是差分隱私？ 2.1.1 差分隱私的概念 2.1.2 差分隱私的工作原理 2.2 差分隱私機(jī)制 2.2.1 二元機(jī)制（隨機(jī)響應(yīng)） 2.2.2 拉普拉斯機(jī)制 2.2.3 指數(shù)機(jī)制 2.3 差分隱私的特性 2.3.1 差分隱私的后處理特性 2.3.2 差分隱私的群組隱私特性 2.3.3 差分隱私的組合特性 第3章 機(jī)器學(xué)習(xí)中差分隱私的高級概念 3.1 在機(jī)器學(xué)習(xí)中應(yīng)用差分隱私 3.1.1 輸入擾動 3.1.2 算法擾動 3.1.3 輸出擾動 3.1.4 目標(biāo)擾動 3.2 差分隱私監(jiān)督學(xué)習(xí)算法 3.2.1 差分隱私樸素貝葉斯分類 3.2.2 差分隱私邏輯回歸 3.2.3 差分隱私線性回歸 3.3 差分隱私無監(jiān)督學(xué)習(xí)算法 差分隱私k-means聚類 3.4 案例研究——差分隱私主成分分析 3.4.1 橫向分割數(shù)據(jù)上PCA的隱私 3.4.2 在橫向分割的數(shù)據(jù)上設(shè)計差分隱私PCA 3.4.3 通過實驗評估協(xié)議的性能 第二部分 本地化差分隱私和合成數(shù)據(jù)生成 第4章 本地化差分隱私機(jī)器學(xué)習(xí) 4.1 什么是本地化差分隱私？ 4.1.1 本地化差分隱私的概念 4.1.2 用于本地化差分隱私的隨機(jī)響應(yīng) 4.2 本地化差分隱私機(jī)制 4.2.1 直接編碼 4.2.2 直方圖編碼 4.2.3 一元編碼 第5章 機(jī)器學(xué)習(xí)中的高級LDP機(jī)制 5.1 本地化差分隱私的快速回顧 5.2 高級LDP機(jī)制 5.2.1 LDP中的拉普拉斯機(jī)制 5.2.2 LDP的Duchi機(jī)制 5.2.3 LDP的Piecewise機(jī)制 5.3 一個實現(xiàn)LDP樸素貝葉斯分類的案例研究 5.3.1 使用樸素貝葉斯和ML分類 5.3.2 使用具有離散特征的LDP樸素貝葉斯 5.3.3 使用具有連續(xù)特征的LDP樸素貝葉斯 5.3.4 評估不同的LDP協(xié)議的性能表現(xiàn) 第6章 隱私保護(hù)合成數(shù)據(jù)的生成 6.1 合成數(shù)據(jù)生成概述 6.1.1 什么是合成數(shù)據(jù)？它為何重要？ 6.1.2 在應(yīng)用方面使用合成數(shù)據(jù)進(jìn)行隱私保護(hù) 6.1.3 生成合成數(shù)據(jù) 6.2 通過數(shù)據(jù)匿名化保護(hù)隱私 6.2.1 隱私信息共享與隱私問題 6.2.2 使用k-anonymity對抗重識別攻擊 6.2.3 k-anonymity之外的匿名化 6.3 用于生成隱私保護(hù)合成數(shù)據(jù)的DP 6.3.1 DP合成直方圖表示的生成 6.3.2 DP合成表格數(shù)據(jù)生成 6.3.3 DP多邊緣合成數(shù)據(jù)生成 6.4 通過特征級微聚合發(fā)布隱私合成數(shù)據(jù)的案例研究 6.4.1 使用層次聚類和微聚合 6.4.2 生成合成數(shù)據(jù) 6.4.3 評估生成的合成數(shù)據(jù)的性能 第三部分 構(gòu)建具有隱私保障的機(jī)器學(xué)習(xí)應(yīng)用 第7章 隱私保護(hù)數(shù)據(jù)挖掘技術(shù) 7.1 隱私保護(hù)在數(shù)據(jù)挖掘和管理中的重要性 7.2 數(shù)據(jù)處理和挖掘過程中的隱私保護(hù) 7.2.1 什么是數(shù)據(jù)挖掘？如何使用數(shù)據(jù)挖掘？ 7.2.2 隱私監(jiān)管要求的重要性 7.3 通過修改輸入來保護(hù)隱私 應(yīng)用和限制 7.4 在發(fā)布數(shù)據(jù)時保護(hù)隱私 7.4.1 在Python中實現(xiàn)數(shù)據(jù)清洗操作 7.4.2 k-anonymity 7.4.3 在Python中實現(xiàn)k-anonymity 第8章 隱私保護(hù)數(shù)據(jù)管理和操作 8.1 快速回顧數(shù)據(jù)處理和挖掘中的隱私保護(hù) 8.2 k-anonymity之外的隱私保護(hù) 8.2.1 l-diversity 8.2.2 t-closeness 8.2.3 用Python實現(xiàn)隱私模型 8.3 通過修改數(shù)據(jù)挖掘的輸出保護(hù)隱私 8.3.1 關(guān)聯(lián)規(guī)則隱藏 8.3.2 降低數(shù)據(jù)挖掘操作的準(zhǔn)確度 8.3.3 統(tǒng)計數(shù)據(jù)庫中的推理控制 8.4 數(shù)據(jù)管理系統(tǒng)中的隱私保護(hù) 8.4.1 數(shù)據(jù)庫安全和隱私：威脅和漏洞 8.4.2 硯代數(shù)據(jù)庫系統(tǒng)泄露隱私信息的可能性有多大？ 8.4.3 對數(shù)據(jù)庫系統(tǒng)的攻擊 8.4.4 統(tǒng)計數(shù)據(jù)庫系統(tǒng)中的隱私保護(hù)技術(shù) 8.4.5 設(shè)計可定制的隱私保護(hù)數(shù)據(jù)庫系統(tǒng)時應(yīng)考慮什么 第9章 機(jī)器學(xué)習(xí)中的壓縮隱私 9.1 壓縮隱私介紹 9.2 壓縮隱私的機(jī)制 9.2.1 主成分分析（PCA） 9.2.2 其他降維方法 9.3 在ML應(yīng)用中使用壓縮隱私 9.3.1 實現(xiàn)壓縮隱私 9.3.2 效用任務(wù)的準(zhǔn)確度 9.3.3 在DCA中ρ'對隱私和可用性的影響 9.4 案例研究：橫向分割數(shù)據(jù)的隱私保護(hù)PCA和DCA 9.4.1 實現(xiàn)橫向分割數(shù)據(jù)的隱私保護(hù) 9.4.2 簡要回顧降維方法 9.4.3 使用加法同態(tài)加密 9.4.4 方法概述 9.4.5 隱私保護(hù)計算的工作原理 9.4.6 評估隱私保護(hù)PCA和DCA的效率和準(zhǔn)確度 第10章 整體設(shè)計：構(gòu)建一個隱私增強(qiáng)平臺（DataHub） 10.1 研究數(shù)據(jù)保護(hù)和共享平臺的重要性 10.1.1 DataHub平臺背后的動機(jī) 10.1.2 DataHub的重要特性 10.2 理解研究協(xié)同工作區(qū) 10.2.1 架構(gòu)設(shè)計 10.2.2 融合不同的信任模型 10.2.3 配置訪問控制機(jī)制 10.3 將隱私和安全技術(shù)集成到DataHub 10.3.1 使用基于云的安全NoSQL數(shù)據(jù)庫進(jìn)行數(shù)據(jù)存儲 10.3.2 本地化差分隱私的隱私保護(hù)數(shù)據(jù)收集 10.3.3 隱私保護(hù)機(jī)器學(xué)習(xí) 10.3.4 隱私保護(hù)查詢處理 10.3.5 在DataHub平臺中使用合成數(shù)據(jù)生成 附錄 關(guān)于差分隱私的更多詳細(xì)信息 A.1 差分隱私的正式定義 A.2 其他差分隱私機(jī)制 A.2.1 幾何機(jī)制 A.2.2 高斯機(jī)制 A.2.3 階梯機(jī)制 A.2.4 向量機(jī)制 A.2.5 Wishart機(jī)制 A.3 差分隱私組合特性的形式化定義 A.3.1 DP串行組合的形式化定義 A.3.2 并行組合DP的形式化定義 參考文獻(xiàn)