差分隐私早期学习笔记。 含"差分隐私_notes"的汇报文档，以及包含高斯机制(The Gaussian Mechanism)详细证明的文档

考虑到不受信任的服务器，差分隐私和本地差分隐私已用于数据聚合中的隐私保留。 通过我们的分析，差异隐私和本地差异隐私无法实现基于移动服务的多用户协作的隐私和实用程序之间的Nash平衡，这是多用户以协作方式协商所需的隐私预算以保护隐私。 为此，我们提出了一个隐私保护数据聚合框架（PPDAF），该框架在隐私和实用程序之间达到了纳什均衡。 首先，我们提出了一种自适应高斯机制，通过在预期隐私预算下将预期效用因子与条件过滤噪声相乘来满足隐私与效用之间的纳什均衡。 其次，我们在协商隐私权预算和启发式混淆的基础

有限计算下差分隐私的形式验证 主要理想：提供验证工具，以正式验证在有限计算下实施的差异隐私算法，并在Coq中将验证形式化。 脚步： 在理想的实际计算中对差分隐私程序进行了正式验证。 （请参见snap-ideal / main.tex） 具有过渡语义的程序会将程序从实际计算正式转换为具有相对计算错误的浮点计算。 然后，验证在一定的转换错误范围内迁移到浮点计算的程序仍保留了差分隐私。 （请参见snap-flopt / main.tex） 集成了用于验证理想计算的DP的逻辑以及过渡语义，这些逻辑

针对现有轨迹差分隐私保护发布方法面临的独立噪声容易被滤除的问题，提出一种轨迹差分隐私发布方法——CLM。CLM 提出一种相关性拉普拉斯机制，利用高斯噪声通过特定的滤波器，产生与原始轨迹序列自相关函数一致的相关性噪声序列，叠加到原始轨迹中并发布。实验结果表明，与现有的轨迹差分隐私保护发布方法相比，CLM能够达到更高的隐私保护强度并能保证较好的数据可用性。