本书是面向程序员的差分隐私书籍，最初由佛蒙特大学作为数据隐私课程的讲义，之后被芝加哥大学、宾夕法尼亚州立大学和莱斯大学选作教学参考书。本书旨在向读者介绍数据隐私保护领域所面临的挑战，描述为解决这些挑战而提出的技术，并帮助读者理解如何实现其中的关键技术。本书强调动手实践，包含很多示例和很多概念的具体实现，这些示例和实现都是用可以实际运行的程序编写的，并提供源代码下载。
售 价：¥
纸质售价：¥66.70购买纸书
6.5
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
译者序
第1章 引言
第2章 去标识
2.1 关联攻击
2.2 聚合
2.3 总结
第3章 k-匿名性
3.1 验证k-匿名性
3.2 泛化数据以满足k-匿名性
3.3 引入更多的数据可以减小泛化的影响吗
3.4 移除异常值
3.5 总结
第4章 差分隐私
4.1 拉普拉斯机制
4.2 需要多大的噪声
第5章 差分隐私的性质
5.1 串行组合性
5.2 并行组合性
5.3 后处理性
第6章 敏感度
6.1 距离
6.2 计算敏感度
6.3 裁剪
第7章 近似差分隐私
7.1 近似差分隐私的性质
7.2 高斯机制
7.3 向量值函数及其敏感度
7.4 灾难机制
7.5 高级组合性
7.6 近似差分隐私的高级组合性
第8章 局部敏感度
8.1 均值问询的局部敏感度
8.2 通过局部敏感度实现差分隐私
8.3 平滑敏感度
8.4 采样-聚合框架
第9章 差分隐私变体
9.1 最大散度和瑞丽散度
9.2 瑞丽差分隐私
9.3 零集中差分隐私
9.4 不同差分隐私变体的组合性
第10章 指数机制
10.1 有限集合的指数机制
10.2 报告噪声最大值
10.3 将指数机制作为差分隐私的基本机制
第11章 稀疏向量技术
11.1 高于阈值算法
11.2 应用稀疏向量技术
11.3 返回多个问询结果
11.4 应用：范围问询
第12章 算法设计练习
12.1 需要考虑的问题
12.2 更普适的采样-聚合算法
12.3 汇总统计
12.4 频繁项
12.5 分层查询
12.6 一系列范围问询
第13章 机器学习
13.1 使用scikit-learn实现逻辑回归
13.2 模型是什么
13.3 使用梯度下降训练模型
13.4 差分隐私梯度下降
13.5 噪声对训练的影响
第14章 本地差分隐私
14.1 随机应答
14.2 一元编码
第15章 合成数据
15.1 合成表示：直方图
15.2 增加差分隐私
15.3 生成列表数据
15.4 生成更多数据列
15.5 总结
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
