Privacy-Preserving Cohort Analytics for Personalized Health Platforms: A Differentially Private Framework with Stochastic Risk Modeling
本文提出了一种结合差分隐私和随机风险建模的隐私保护队列分析框架，用于在保障隐私的同时实现个性化健康平台的人群比较。
2026-01-17 cs.CR stat.AP stat.ME
Personalized and Private Peer-to-Peer Machine Learning
INRIA；EPFL（瑞士联邦理工学院）；Université de Lille（里尔大学）
本文提出一种高效算法，实现去中心化且异步的个性化机器学习，在强隐私要求下保证收敛性。通过差分隐私保护数据隐私，并分析隐私与效用的平衡。实验表明，在非隐私情况下优于先前方法，隐私约束下可显著提升模型性能。
2018-02-19 cs.CR cs.DC cs.LG
Individual Privacy Accounting via a Renyi Filter
Apple（苹果公司）；University of California, Berkeley（加利福尼亚大学伯克利分校）
我们考虑一个连续的设置，其中一个单一的个人数据集被用来执行自适应选择的分析，同时确保每个参与者的差分隐私损失不超过预先指定的隐私预算。解决这个问题的标准方法依赖于对所有个人及其数据的所有可能值的隐私损失的最坏情况估计，对于每个分析。然而，在许多情况下，这种方法过于保守，特别是对于“典型”数据点，参与大多数分析几乎不会造成隐私损失。在这项工作中，我们给出了一个更严格的隐私损失会计的基础上的个性化的隐私损失估计值为每个人在每次分析的方法。为了实现该计费方法，我们设计了一个Rényi差分隐私过滤器。过滤器是一种工具，它确保具有自适应选择的隐私参数的组合算法序列的隐私参数不超过预先指定的预算。我们的过滤器比已知的过滤器更简单，更紧密的$(ε,δ)$ -差分隐私由罗杰斯等人。我们将我们的研究结果的噪声梯度下降的分析，并表明，个性化的会计可以是实用的，易于实现，只能使隐私效用权衡更紧。
2022-01-08 cs.CR cs.LG stat.ML
Generalized Linear Bandits with Local Differential Privacy
The Hong Kong University of Science and Technology（香港科技大学）
上下文强盗算法在个性化在线决策中是有用的。然而，许多应用程序，如个性化医疗和在线广告需要利用个人特定的信息进行有效的学习，而用户的数据应该保持私有的服务器由于隐私问题。这促使引入局部差分隐私（LDP），一个严格的隐私概念，上下文强盗。在本文中，我们设计了随机广义线性强盗LDP算法，以实现在非隐私设置相同的遗憾界。我们的主要思想是开发一个随机的基于梯度的估计和更新机制，以确保LDP。然后，我们利用随机梯度下降（SGD）的灵活性，其理论保证土匪问题很少探索，在处理广义线性土匪。我们还开发了一个估计器和更新机制的基础上，普通最小二乘（OLS）的线性土匪。最后，我们进行了仿真和真实世界的数据集的实验，以证明我们的算法在LDP约束下具有合理的小参数$(\varepsilon, δ)$，以确保强大的隐私保护的一贯高超的性能。
2021-06-07 cs.LG stat.ML
Ranking Differential Privacy
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Purdue University（普渡大学）
排名在各种现实生活场景中被广泛收集，导致用户对视频或新闻的偏好等个人信息泄露。为了保护排名，现有的作品主要是在$ε$ -差分隐私下，对一组排名中的单个排名或排名的成对比较进行隐私保护。本文提出了一种新的概念称为$ε$ -排名差分隐私保护等级。我们建立了Mallow模型（Mallow，1957）和建议的$ε$ -排名差分隐私之间的联系。这使我们能够开发一个多级排名算法来生成合成排名，同时满足发达的$ε$排名差分隐私。建立了关于下游任务中综合排名的实用性的理论结果，包括推理攻击和个性化排名任务。对于推理攻击，我们量化了$ε$如何影响基于合成排名的真实排名的估计。对于个性化的排名任务，我们考虑不同的用户之间的隐私偏好，并量化他们的隐私偏好如何影响的一致性，估计最佳的排名功能。大量的数值实验验证了理论结果，并证明了所提出的综合排名算法的有效性。
2023-01-02 cs.CR cs.LG math.ST
FedLog: Personalized Federated Classification with Less Communication and More Flexibility
University of Waterloo（滑铁卢大学）；Vector Institute（向量研究所）；Noah’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）
针对联邦表示学习共享模型参数导致通信开销巨大的问题，提出FedLog方法，通过共享编码最小充分统计量的数据摘要和贝叶斯推断进行全局聚合，并扩展差分隐私框架，实现了高精度与低通信开销。
2024-10-12 cs.DC cs.LG stat.ML
Distribution-free Contextual Dynamic Pricing
The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Purdue University（普渡大学）
情境动态定价旨在根据与客户的顺序交互来设定个性化价格。在每个时间段，有兴趣购买产品的客户来到平台。客户对产品的估价是一个线性函数的背景，包括产品和客户的特点，加上一些随机的市场噪音。卖家并不观察客户的真实估价，而是需要通过利用上下文信息和历史二进制购买反馈来了解估价。现有的模型通常假设完全或部分的随机噪声分布的知识。在本文中，我们考虑的上下文动态定价与未知的随机噪声的估值模型。我们的无分配定价策略同时学习上下文函数和市场噪声。我们的方法的一个关键组成部分是一个新的扰动线性强盗框架，其中提出了一个修改后的线性置信上限算法，以平衡市场噪声的探索和利用现有的知识更好地定价。我们建立了我们的政策在扰动线性强盗框架的遗憾上限和匹配的下限，并证明了一个次线性的遗憾界所考虑的定价问题。最后，我们展示了我们的政策在模拟和现实生活中的汽车贷款数据集上的优越性能。
2023-03-06 cs.LG math.ST stat.ML
Communication-Constrained Private Decentralized Online Personalized Mean Estimation
New Jersey Institute of Technology（新泽西理工学院）；Newark, New Jersey 07102, USA（新泽西州纽克塞尔07102, 美国）
本文研究通信受限下多智能体协作个性化均值估计的隐私保护问题，提出基于共识的差分隐私算法，并从理论和数值上证明私有协作可快于完全本地方法收敛。
2025-11-02 cs.IT cs.LG cs.SI
A Generative Framework for Personalized Learning and Estimation: Theory, Algorithms, and Privacy
University of California, Los Angeles（加州大学洛杉矶分校）
联邦学习的一个显著特征是（本地）客户端数据可能具有统计异质性。这种异质性激发了个性化学习的设计，其中通过协作来训练个体（个性化）模型。已经有各种个性化的方法在文献中提出，看似非常不同的形式和方法，从使用一个单一的全球模型的局部正则化和模型插值，使用多个全球模型的个性化聚类等，在这项工作中，我们开始与生成框架，可能会统一几个不同的算法，以及建议新的算法。我们将我们的生成框架应用于个性化估计，并将其与经典的经验贝叶斯方法相结合。我们在这个框架下开发私人个性化的估计。然后，我们使用我们的生成框架的学习，它统一了几个已知的个性化FL算法，并提出了新的，我们提出并研究了一个新的算法AdaPeD的基础上的知识蒸馏，它在数值上优于几个已知的算法。我们还为个性化学习方法开发隐私，保证用户级隐私和组成。我们数值评估的性能以及隐私的估计和学习问题，证明我们所提出的方法的优点。
2022-07-05 cs.CR cs.LG stat.ML
Differentially Private Online Item Pricing
本文提出首个在重复无限供应商品定价拍卖中同时实现差分隐私保护和次线性遗憾的算法，基于指数权重元算法和随机扰动，并扩展至买家策略性出价场景。
2023-10-28 cs.CR cs.GT cs.LG
Pricing Private Data with Personalized Differential Privacy and Partial Arbitrage Freeness
将个人数据视为商品的趋势越来越明显。现有的研究已经建立了框架和理论，如何确定一个给定的查询的无仲裁的价格，根据隐私损失量化的差分隐私。然而，这些研究假设数据购买者可以购买查询答案，而数据所有者的任意隐私损失，这在严格的隐私法规和数据所有者日益增加的隐私问题下可能是无效的。在本文中，我们研究了如何授权数据所有者控制数据交易中的隐私损失。首先，我们提出了一个交易个人数据的框架，使数据所有者能够限制他们的个性化隐私损失。其次，由于有界隐私损失表明查询答案的效用有界，因此我们提出了一种合理的无套利放松，称为部分无套利，即，仅对有限范围的公用事业保证无仲裁定价，这为我们的市场设计提供了更多的可能性。第三，为了避免套利，我们提出了一种通用的方法，以确保在个性化差分隐私的套利自由。第四，为了充分利用数据所有者的个性化隐私损失范围，我们提出了隐私预算分配技术来分配隐私损失的查询下套利自由。最后，我们进行实验来验证我们提出的交易协议的有效性。
2021-11-23 cs.CR cs.DB
Echo of Neighbors: Privacy Amplification for Personalized Private Federated Learning with Shuffle Model
Renmin University of China（中国人民大学）；Emory University（埃默里大学）
本文提出APES和S-APES框架，首次利用混洗模型的隐私放大效应，在个性化本地差分隐私下实现更强的中心隐私保障，并通过回声贡献度量和后稀疏化技术提升模型效用。
2023-05-26 cs.CR cs.LG
Personalized Privacy Amplification via Importance Sampling
Elekta（医科达）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Linköping University（林雪平大学）；Uppsala University（乌普萨拉大学）
本文研究重要性采样的隐私属性，提出两种采样分布构建方法以优化隐私-效率权衡或基于核心集效用保证，实验表明在差分隐私k均值问题上优于均匀采样。
2025-03-28 cs.CR cs.LG stat.ML
Privacy in Personalized AI Is a System Property, Not Just a Model Property
SJTU Paris Elite Institute of Technology（上海交通大学巴黎卓越工程师学院）；Kibo Ryoku Research（Kibo Ryoku研究院）
本文主张个性化AI的隐私应从系统层面审视，而非仅模型层面，提出四个隐私风险渠道及四项系统级评估要求，以完善隐私审计。
2026-10-01 cs.CR cs.IR cs.LG
Probabilistic Matrix Factorization with Personalized Differential Privacy
Anhui University（安徽大学）
概率矩阵分解（PMF）在推荐系统中起着至关重要的作用。它需要大量的用户数据（如用户购物记录和电影评分）来预测个人偏好，从而为用户提供高质量的推荐服务，这暴露了用户隐私泄露的风险。差分隐私作为一种可证明的隐私保护框架，在推荐系统中得到了广泛的应用。不同的个人对项目有不同级别的隐私要求是常见的。然而，传统的差分隐私只能为所有用户提供统一级别的隐私保护。本文主要提出了一种具有个性化差分隐私的概率矩阵分解推荐方案（PDP-PMF）。它旨在满足用户在项目级别指定的隐私要求，而不是为所有人提供相同级别的隐私保证。然后，我们开发了一个修改的采样机制（有界差分隐私）实现PDP。我们还进行了理论分析的PDP-PMF计划，并证明了PDP-PMF计划的隐私。此外，我们实现了传统的和个性化的差分隐私（DP-PMF，PDP-PMF）的概率矩阵分解方案，并通过一系列的实验进行比较。实验结果表明，PDP-PMF方案在保护用户隐私方面表现良好，推荐质量明显优于DP-PMF方案。
2018-10-19 cs.CR cs.LG
Spatial Privacy Pricing: The Interplay between Privacy, Utility and Price in Geo-Marketplaces
University of Southern California（南加州大学）；Microsoft Research AI（微软研究院人工智能）
地理市场允许用户为他们的位置数据付费。关心隐私的用户可能希望对准确定位他们位置的数据收取更多费用，但可能对更模糊的数据收取更少费用。买家更愿意将数据成本降至最低，但可能不得不花费更多来获得必要的准确性。我们将隐私、效用和价格之间的这种相互作用称为\emph{spatial privacy pricing}。我们形式化的问题，数学与买方决定是否要打开一个餐厅，通过购买位置数据，以确定潜在的客户数量是否足以打开一个示例问题。这个问题被表达为一个顺序决策问题，其中买方首先做出一系列关于购买哪些数据的决定，并最终决定是否开设餐厅。我们提出了两种算法来解决这个问题，包括实验表明，它们的性能优于基线。
2020-09-04 cs.AI cs.CR
Privacy Preserving Machine Learning Model Personalization through Federated Personalized Learning
American International University-Bangladesh（孟加拉国美国国际大学）；North South University（北南大学）
本文通过PPMLFPL框架分析隐私保护下的机器学习模型个性化方法，比较APPLE+DP与APPLE+HE算法，发现前者执行效率高，后者整体表现更优，为隐私保护个性化学习提供实践指导。
2025-05-03 cs.CR cs.DC cs.LG
Transparent Electricity Pricing with Privacy
智能电网利用智能电表的数据来改善运营管理并降低成本。细粒度的电表数据还可以实现同时使电力零售商和用户受益的定价方案。我们的目标是设计一个实用的智能电网的动态定价协议，其中零售商收取的费率取决于其用户之间的总需求。实现这一目标具有挑战性，因为零售商和用户都不值得信任。第一个挑战是设计一个定价方案，激励消费行为，从而降低用户和零售商的成本。第二个挑战是防止零售商篡改数据，例如，声称总消费量远远高于其实际价值。第三个挑战是数据隐私，也就是说，如何向敌对用户隐藏仪表数据。为了解决这些挑战，我们提出了一个计划，在该计划中，如果总消费或个人消费超过一定的阈值，则收取峰值费率。我们正式定义了一个保护隐私的透明定价方案（PPTP），允许诚实的用户在零售商处检测篡改，同时确保数据隐私。我们提出了两个实例的PPTP，并证明其安全性。这两个协议都使用安全承诺和零知识证明。我们在服务器和边缘硬件上实现和评估了协议，证明了PPTP具有实际的大规模性能。
2021-08-10 cs.CR
Differentially Private Demand Side Management for Incentivized Dynamic Pricing in Smart Grid
为了在智能电网中有效地提供需求侧管理（DSM），基于实时能源使用进行定价被认为是最重要的工具，因为它直接与智能电表相关的财务相关联。因此，每个智能电表用户都希望支付尽可能少的金额，同时获得最大的利益。在这种情况下，基于使用的动态定价策略的需求侧管理发挥其作用，并提供用户特定的激励，帮助塑造他们的负荷曲线，根据预测的负荷。然而，这些报告的实时值可能会泄露智能电表用户的隐私，这可能会导致严重的后果，如间谍等。此外，大多数动态定价算法对所有用户收取相同的费用，而不管他们在导致峰值因素方面的贡献。因此，在本文中，我们提出了一个修改后的基于使用的动态定价机制，只收取用户负责造成高峰因素。我们进一步融入差分隐私的概念，保护实时智能电表数据的隐私。为了计算准确的计费，我们还提出了一种噪声调整方法。最后，我们提出了需求响应增强差别定价（DRDP）策略，有效地提高了需求响应，同时提供动态定价的智能电表用户。并对差分隐私保证和协作状态概率进行了理论分析，分析了协作智能电表的行为。对DRDP策略在不同隐私参数下的性能评估表明，该策略在动态定价和隐私保护方面优于以往的机制。
2022-01-25 cs.CR
Differential Privacy Personalized Federated Learning Based on Dynamically Sparsified Client Updates
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；No.208 Research Institute of China Ordnance Industries（中国兵器工业第二〇八研究所）
针对差分隐私个性化联邦学习中个性化不足及隐私与性能平衡欠佳的问题，提出DP-pFedDSU方法，通过重参数化和自适应范数动态稀疏化客户端更新，有效减少噪声并提升模型性能。
2025-04-27 cs.CR cs.LG
Personalized Differential Privacy for Ridge Regression
Georgia Institute of Technology（佐治亚理工学院）；CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
针对差分隐私统一隐私水平限制准确率的问题，提出支持逐点设置隐私水平的PDP-OP方法，给出理论保证并通过实验验证其能优化隐私-准确率权衡、优于现有方法。
2024-01-30 cs.CR cs.CY cs.LG
FT-PrivacyScore: Personalized Privacy Scoring Service for Machine Learning Participation
UMBC（马里兰大学巴尔的摩分校）
针对受控数据访问模式下个体数据贡献者无法量化参与机器学习任务的隐私风险这一问题，研究团队开发了FT-PrivacyScore演示原型，可高效定量评估参与模型微调任务的隐私风险，源代码将开源。
2024-10-30 cs.CR cs.LG
Release Connection Fingerprints in Social Networks Using Personalized Differential Privacy
在社交网络中，不同的用户可能具有不同的隐私偏好，并且存在许多具有公共身份的用户。大多数关于差异化私人社交网络数据发布的工作都忽略了这一事实。我们的目标是在用户级个性化隐私偏好下，发布私人用户在n跳内连接的公共用户数量，称为n范围连接指纹（CFPs）。针对基于个性化差分隐私（PDP）的CFPs的隐私保护发布，提出了基于距离的指数预算吸收（DEBA）和基于距离的阶梯函数均匀预算吸收（DUBA-LF）两种方案，并对这两种方案的隐私保护性能进行了理论分析.在真实数据集上的实验结果表明，该方案在发布错误方面具有较好的性能。
2017-11-24 cs.CR
Cross-silo Federated Learning with Record-level Personalized Differential Privacy
Renmin University of China（中国人民大学）；Zhejiang University（浙江大学）；Emory University（埃默里大学）
本文针对跨孤岛联邦学习提出 rPDP-FL 框架，通过客户端级均匀采样与记录级非均匀采样实现记录级个性化差分隐私，并利用 Simulation-CurveFitting 建模采样概率与隐私预算的非线性关系，显著提升模型性能。
2024-06-29 cs.AI cs.CR cs.LG
Privacy-Preserving Load Forecasting via Personalized Model Obfuscation
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Argonne National Laboratory（阿贡国家实验室）
本文提出隐私保护联邦学习（PPFL），通过个性化层和差分隐私机制在异构智能电表数据上实现短期负荷预测，并在NREL ComStock数据集上验证了其有效性。
2023-11-21 cs.CR cs.LG
Privacy Assessment of Federated Learning using Private Personalized Layers
Univ Lyon（里昂大学）；INSA Lyon（里昂国立应用科学学院）；Inria（法国国家信息与自动化研究所）；Inserm（法国国家健康与医学研究院）
针对联邦学习中的推理攻击，本文评估私有个性化层在效用与隐私上的权衡，实验表明其可加快收敛、略微提升准确率，并优于局部差分隐私方案。
2021-09-26 cs.AI cs.CR cs.LG
Personalized w-Event Privacy for Infinite Stream Estimation
Hunan University（湖南大学）；Tongji University（同济大学）；HKUST (GZ)（香港科技大学（广州））；HKUST（香港科技大学）；Shanghai Jiaotong University（上海交通大学）；Xi’an Jiaotong University（西安交通大学）
本文研究了个性化w-事件隐私在私有数据流估计中的应用，设计了PWSM机制并提出PBD和PBA算法，实现了动态调整隐私要求并满足个性化差分隐私，实验表明方法能显著降低估计误差。
2026-08-21 cs.CR cs.DB cs.IR
Towards Personalized Differentially Private Learning for Decentralized Local Graphs
School of Computer Science, Beijing University of Posts and Telecommunications（北京邮电大学计算机学院）；State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（北京邮电大学网络与交换技术国家重点实验室）；School of Cyber Science and Technology, Shandong University（山东大学网络空间安全学院）；School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络空间安全学院）；Department of Computer Science, University of Illinois at Chicago（伊利诺伊大学芝加哥分校计算机科学系）
研究去中心化局部图隐私学习问题，提出PPGNN框架，含个性化扰动机制和加权校准策略，能平衡隐私保护与数据效用。
2026-07-07 cs.CR cs.LG
Group privacy for personalized federated learning
Scuola Normale Superiore（比萨高等师范学校）；INRIA（法国国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）；Scuola Superiore Sant’Anna（圣安娜高等学校）
联邦学习（FL）是一种协作式机器学习，其中参与的对等体/客户端在本地处理其数据，仅共享对协作模型的更新。这使得能够构建隐私感知的分布式机器学习模型等。目标是通过最小化由一组客户端本地存储的数据集集合的成本函数来优化统计模型的参数。这个过程暴露给客户端两个问题：隐私信息的泄漏和缺乏个性化的模型。另一方面，随着最近各种数据分析技术的进步，人们对参与客户端的隐私侵犯的担忧激增。为了缓解这种情况，差分隐私及其变体作为提供正式隐私保证的标准。通常，客户端代表非常异构的社区，并持有非常多样化的数据。因此，与FL社区最近关注的为代表其多样性的用户构建个性化模型框架相一致，保护客户的敏感和个人信息免受潜在威胁也至关重要。为了实现这一目标，我们考虑$d$ -隐私，也被称为度量隐私，这是本地差分隐私的变体，使用基于度量的混淆技术，保留了原始数据的拓扑分布。为了解决保护客户隐私和允许个性化模型训练以增强系统的公平性和实用性的问题，我们提出了一种利用$d$的一些关键属性来提供组隐私保证的方法。隐私，使个性化模型的框架下的FL。我们提供了理论的适用性和实验验证的真实数据集上说明的工作，我们的方法
2022-09-04 cs.AI cs.CR cs.LG
Trading Location Data with Bounded Personalized Privacy Loss
由于个人数据已经成为数字时代的新石油，因此将个人数据视为商品的趋势越来越明显。虽然有些人愿意用他们的个人数据来换取金钱，但他们可能仍然期望有限的隐私损失，而最大可容忍的隐私损失因个人而异。在本文中，我们提出了一个框架，使个人能够交易他们的个人数据与有限的个性化隐私损失，这提出了在预算分配和仲裁自由方面的技术挑战。为了应对这些挑战，我们提出了两种具有不同优势的无仲裁交易机制。
2019-10-24 cs.CR cs.DB
PEARL: Structural Privacy-Utility Control in Human-Centric CPS via Personalized Early-Exit Deep Reinforcement Learning
University of California, Irvine（加利福尼亚大学欧文分校）
PEARL通过边缘双路径早退深度Q网络，利用互信息训练效用与隐私置信标签，在推理时选择最浅退出分支，实现结构隐私控制，平均降低25.67%推理准确率，效用成本仅10-16%。
2026-09-14 cs.CR cs.HC cs.LG
Modeling of Personalized Privacy Disclosure Behavior: A Formal Method Approach
为了创建以用户为中心的个性化隐私管理工具，底层模型必须考虑到个人用户的隐私期望、偏好以及他们控制信息共享活动的能力。现有的用户隐私行为建模研究试图从请求的角度来构建问题，这缺乏信息所有者的关键参与，导致对策略管理的控制有限或没有控制。此外，他们很少考虑到正确性，可解释性，可用性和接受的系统的每个用户的方法方面。在本文中，我们提出了一种方法来正式建模，验证和验证个性化的隐私泄露行为的基础上分析用户的情景决策过程。我们使用一个名为UPPAAL的模型检验工具，以有限状态自动机（FSA）的扩展形式来表示用户的自我报告的隐私泄露行为，并通过计算树逻辑（CTL）公式进行隐私属性验证的可达性分析。我们还描述了实际的使用案例的方法描绘的潜力，正式技术的设计和开发以用户为中心的行为建模。本文通过大量的实验结果，为形式化方法和用户定制隐私行为建模领域提供了一些见解。
2021-06-18 cs.CR
FedP3: Federated Personalized and Privacy-friendly Network Pruning under Model Heterogeneity
KAUST（阿卜杜拉国王科技大学）；Sony AI（索尼人工智能公司）
针对联邦学习中客户端系统异构性导致需定制个性化模型的问题，提出适配模型异构场景的联邦个性化隐私友好剪枝框架FedP3及其本地差分隐私变体DP-FedP3，并完成理论验证。
2024-04-15 cs.CR cs.LG
Road Network-Aware Personalized Trajectory Protection with Differential Privacy under Spatiotemporal Correlations
China University of Mining and Technology（中国矿业大学）；Wuhan University（武汉大学）
本文提出了一种基于道路网络的个性化轨迹保护机制，结合差分隐私与地理不可区分性，通过动态分配隐私预算和Permute-and-Flip机制，在保护隐私的同时维持服务质量。
2025-11-26 cs.CR
FedRLHF: A Convergence-Guaranteed Federated Framework for Privacy-Preserving and Personalized RLHF
National University of Singapore（新加坡国立大学）；CFAR, A*STAR（新加坡科技研究局CFAR）；ETH Zurich（苏黎世联邦理工学院）
本文提出FedRLHF框架，通过联邦学习将RLHF去中心化，在保护隐私的同时实现个性化策略学习，并提供收敛保证与样本复杂度界，实验证明其性能可与集中式RLHF相媲美。
2025-02-08 cs.AI cs.CR cs.LG
Limits of Personalizing Differential Privacy Budgets
CNRS, LAMSADE, Dauphine-PSL（法国国家科学研究中心、拉马萨德研究所、巴黎-萨特大学）；Georgia Institute of Technology（佐治亚理工学院）
本文研究了个性化差分隐私预算的局限性，指出在均值估计中，选择合适的有效隐私预算比完全个性化更重要，通过阈值操作可实现改进，且在混合私有和公开数据集及多级隐私要求中量化了改进效果。
2026-05-13 cs.CR cs.LG
PrivFedTalk: Privacy-Aware Federated Diffusion with Identity-Stable Adapters for Personalized Talking-Head Generation
Engineering Sciences, Homi Bhabha National Institute（霍米·巴巴国立研究所工程科学系）
本文提出PrivFedTalk框架，结合条件潜在扩散模型与参数高效的身份适应，解决个性化说话头生成中的隐私问题，通过身份稳定联邦聚合和时间去噪一致性正则化提升性能。
2026-04-09 cs.AI cs.CR cs.CV
A Group Signature Based Electronic Toll Pricing System
随着GNSS技术的普及和发展，基于位置的车辆服务（LBVS）近年来经历了快速增长。然而，位置是一个敏感和隐私的信息，所以这些服务的设计和开发只是考虑到客户的隐私问题。本文提出了一种新的基于群签名的电子收费系统，它为群内客户的匿名性提供了强有力的保证。我们的系统实现了隐私和对用户施加的通信开销之间的平衡。
2011-09-03 cs.CR cs.CY
TPMDP: Threshold Personalized Multi-party Differential Privacy via Optimal Gaussian Mechanism
本文提出阈值个性化多方差分隐私框架TPMDP，通过最优高斯机制和线性规划高效求解，在支持个性化隐私预算和合谋阈值的同时实现低效用损失。
2023-05-30 cs.CR cs.MA
Towards Privacy-Preserving and Personalized Smart Homes via Tailored Small Language Models
Department of Computing, The Hong Kong Polytechnic University（计算机系，香港理工大学）
针对智能家居LLM助手的隐私泄露问题，提出基于定制SLM的设备端助手HomeLLaMA与可选隐私保护服务PrivShield，并构建DevFinder基准验证其能在提供个性化服务的同时显著增强用户隐私。
2025-07-10 cs.AI cs.CR
Personalized Privacy Auditing and Optimization at Test Time
Syracuse University（雪城大学）
许多用于后续领域的学习模型，例如帮助法律，银行，招聘和医疗保健决策，利用潜在的敏感用户信息来进行推理。此外，通常需要完整的特征集来执行推断。这不仅给使用学习系统的个人带来了严重的隐私风险，而且还需要公司和组织大量的人力来验证发布信息的正确性。本文询问是否有必要要求\emph{all}输入功能的模型在测试时返回准确的预测，并表明，在个性化的设置下，每个人可能需要释放这些功能的一小部分，而不会影响最终的决定。本文还提供了一个有效的顺序算法，选择哪些属性应该由每个人提供。对几个学习任务的评估表明，个人可能能够报告少至10%的信息，以确保使用完整用户信息的模型的相同水平的准确性。
2023-01-31 cs.AI cs.CR cs.LG
MeshCloak: A Map-Based Approach for Personalized Location Privacy
由于基于位置的服务（LBS）可以向攻击者泄露用户位置，因此保护移动服务中的位置隐私最近受到了重要的考虑。现有伪装方案中的问题是，当攻击者在其攻击中利用街道地图时，位置漏洞可能会暴露。虽然真实和合成轨迹都是基于真实的街道地图，但大多数以前的隐身方案都假设自由空间运动来定义用户之间的距离，从而导致隐私模型和用户运动之间的不匹配。在本文中，我们提出了MeshCloak，一种新的基于地图的个性化位置隐私模型，它完全是在基于地图的设置，并以最小的性能开销抵抗推理攻击。MeshCloak的核心思想是通过预计算距离矩阵和应用四叉树搜索，基于查询之间的相互覆盖关系快速构建稀疏约束图。MeshCloak还考虑了真实的速度配置文件和查询频率。我们通过一套精心设计的实验五个真实的地图上评估所提出的计划的效率和有效性。
2017-09-12 cs.CR
Randomized algorithms for precise measurement of differentially-private, personalized recommendations
Apple（苹果公司）
本文提出一种支持精确测量且满足差分隐私的个性化推荐随机化算法，通过广告场景离线实验，量化了其对用户体验、广告主价值和平台收入等关键指标的影响。
2024-01-06 cs.CR cs.IR cs.LG
Personalized 3D Spatiotemporal Trajectory Privacy Protection with Differential and Distortion Geo-Perturbation
China University of Mining and Technology（中国矿业大学）；Hefei University of Technology（合肥工业大学）；University of Padua（帕多瓦大学）；Peking University（北京大学）；University of Houston（休斯顿大学）；Kyung Hee University（庆熙大学）
针对3D时空轨迹中攻击者利用时空相关性和高度信息导致隐私泄露的问题，提出3DSTPM机制，结合3D地理不可区分性和失真隐私，通过窗口自适应隐私预算分配和PF扰动，平衡隐私保护与服务质量。
2026-06-09 cs.CR
Protecting Personalized Trajectory with Differential Privacy under Temporal Correlations
本文针对车载自组织网络中轨迹隐私泄露问题，提出个性化轨迹隐私保护机制 PTPPM，利用时间相关性确定保护位置集合并结合 Permute-and-Flip 扰动机制，在满足服务质量的同时提升隐私保护效果。
2024-01-20 cs.CR
Differentially Private Graph Diffusion with Applications in Personalized PageRanks
Georgia Institute of Technology（佐治亚理工学院）
针对图扩散发布可能泄露敏感链接信息的问题，提出带边级差分隐私的图扩散框架，通过迭代注入拉普拉斯噪声、基于度的阈值函数及无穷瓦瑟斯坦距离跟踪优化隐私分析，在真实数据上验证了其在个性化PageRank任务中的隐私-效用优势。
2025-02-18 cs.CR cs.IR cs.LG
Client Clustering Meets Knowledge Sharing: Enhancing Privacy and Robustness in Personalized Peer-to-Peer Learning
Imperial College London（伦敦帝国学院）
本文提出完全去中心化的 P4 方法，通过隐私保护的客户端聚类与差分隐私知识蒸馏，在资源受限 IoT 对等学习中提升个性化准确率、隐私性及抗投毒攻击鲁棒性。
2025-10-20 cs.AI cs.CR cs.LG
Privacy-preserving patient clustering for personalized federated learning
Columbia University（哥伦比亚大学）；New York Genome Center（纽约基因组中心）
针对医疗场景下聚类联邦学习需交换患者数据引发的隐私问题，本研究提出基于安全多方计算的PCBFL框架，在保护隐私的同时实现患者聚类，较现有框架显著提升死亡率预测性能。
2023-07-17 cs.CR cs.LG
PAC-DP: Personalized Adaptive Clipping for Differentially Private Federated Learning
Nanjing University of Post and Telecommunication（南京邮电大学）；Nanjing University（南京大学）
本文提出PAC-DP框架，通过模拟曲线拟合方法实现个性化隐私预算与梯度截断阈值的映射，提升隐私保护与模型性能的平衡，实验显示在相同隐私预算下准确率提升26%，收敛速度加快45.5%。
2026-03-25 cs.CR
Blinder: End-to-end Privacy Protection in Sensing Systems via Personalized Federated Learning
University of Alberta（阿尔伯塔大学）
本文提出基于个性化联邦学习的传感器数据匿名化模型Blinder，通过变分自编码器与判别器对抗训练及元学习适配用户分布，在IMU数据集上实现端到端隐私保护，兼顾低开销与实时边缘部署。
2023-10-06 cs.CR cs.LG
FedEgo: Privacy-preserving Personalized Federated Graph Learning with Ego-graphs
Sun Yat-sen University（中山大学）
图作为包含结构和特征信息的特殊信息载体，在图挖掘中有着广泛的应用，图神经网络。然而，在一些实际场景中，图数据被单独存储在多个分布式方中，由于利益冲突，这些数据可能不会直接共享。因此，联邦图神经网络被提出来解决这样的数据筒仓问题，同时保护每一方（或客户端）的隐私。然而，不同方之间的不同图数据分布，这被称为统计异质性，可能会降低像FedAvg这样的朴素联邦学习算法的性能。在本文中，我们提出了FedEgo，一个基于自我图的联邦图学习框架来解决上述挑战，每个客户端将训练他们的本地模型，同时也有助于训练一个全球模型。FedEgo将GraphSAGE应用于自我图，以充分利用结构信息，并利用Mixup解决隐私问题。为了处理统计异质性，我们将个性化学习，并提出了一个自适应的混合系数策略，使客户端实现其最佳个性化。大量的实验结果和深入的分析证明了FedEgo的有效性。
2022-09-09 cs.CR cs.LG
Enhanced Privacy Bound for Shuffle Model with Personalized Privacy
针对shuffle模型在个性化本地隐私设置下隐私界不紧致的问题，通过假设检验精确推导克隆生成概率，并在$f$-DP框架下利用分布凸性分析不可区分性，提出一般且更紧致的隐私界，显著优于现有结果。
2024-07-25 cs.CR cs.DB
DPIVE: A Regionalized Location Obfuscation Scheme with Personalized Privacy Levels
网络物理系统的普及正在推动基于位置的服务的快速增长。这带来了位置隐私泄露的风险。有效的隐私保护对于各种移动应用程序来说是最重要的。最近，地理不变性和预期的推理误差被提出来限制位置泄漏。在本文中，我们认为，个性化意味着区域化的地理不变性，我们提出了一个区域化的位置混淆机制，称为DPIVE与个性化的效用敏感性。这实质上纠正了Yu等人在NDSS 2017上提出的PIVE框架的差异和失真隐私问题。我们开发DPIVE分为两个阶段。在第一阶段，我们通过划分所有可能的位置来确定不相交的集合，使得同一集合中的不同位置共享保护位置集合（PLS）。在第二阶段，我们构造了一个概率分布矩阵，其中对应于同一PLS的行有自己的效用灵敏度（PLS直径）。此外，通过设计QK-means算法在二维空间中获得更多的搜索空间，我们改进了DPIVE，细化了位置划分，提出了细粒度的个性化，使每个位置都有自己的隐私级别，并赋予定制的隐私预算。两个公共数据集的实验表明，我们的机制具有优越的性能，通常在倾斜的位置。
2022-10-08 cs.CR cs.DB
Personalized Social Recommendations - Accurate or Private?
随着最近像Facebook这样的社交网络的兴起，新形式的推荐已经成为可能--个性化的广告推荐、内容推荐，甚至是基于一个人的社交互动的新朋友和产品联系。由于推荐可能使用敏感的社交信息，因此推测这些推荐与隐私风险相关。这项工作的主要贡献是在正规化这些预期的权衡之间的准确性和隐私的个性化社会建议。在本文中，我们研究是否“社会建议”，或建议，完全基于用户的社交网络，可以在不披露敏感的链接在社交图。更准确地说，我们量化的效用损失时，现有的推荐算法进行修改，以满足一个强有力的隐私概念，称为差分隐私。我们证明了任何推荐算法的最小效用损失的下界是差异私人。我们适应两个隐私保护算法的差分隐私文献的社会建议的问题，并分析其性能的下限相比，分析和实验。我们表明，良好的私人社交推荐仅适用于社交网络中的一小部分用户或宽松的隐私参数设置。
2011-05-21 cs.CR cs.DB cs.SI
