Plausible Deniability in Fully Homomorphic Computation
Johannes Kepler University（约翰内斯·开普勒大学）；Koç University（科奇大学）
该研究提出全同态计算中的似是而非的否认（PD-FHC）框架，通过定义可否认计算介质和方案，利用RGB图像与弗雷德金门电路实例化，在匹配边缘条件下证明信息论位置隐私，实现计算隐私和对强制对手的似是而非的否认。
2026-07-13 cs.CR
Extending Blockchain Untraceability with Plausible Deniability
KAIST（韩国科学技术院）
本文研究如何通过将转账融入去中心化金融活动使转账事件本身不可观测，提出DCAT方法并验证其在以太坊和 Arbitrum 上的可行性，展示其在金融审计中的应用。
2026-05-13 cs.CR
Supervised Machine Learning with Plausible Deniability
Universitaet Klagenfurt（克拉根福大学）；Johannes Kepler University（约翰内斯·开普勒大学）；AIT Austrian Institute of Technology（奥地利AIT技术研究所）
我们研究了在特定数据集上训练的机器学习（ML）模型为训练数据提供隐私的程度，或者等效地，是否可以从给定的ML模型中逆向工程训练数据。虽然在大多数情况下这很容易回答否定，但有趣的是，这种保护从不可恢复性扩展到合理的可否认性：给定一个ML模型$f$，我们表明可以采用一组纯随机训练数据，并从中定义一个合适的“学习规则”，它将产生一个完全是$f$的ML模型。因此，任何关于哪些数据用于训练$f$的推测都是可以否认的，因为任何其他数据都可能导致相同的结果。我们证实了我们的理论发现与实际的例子，以及如何找到一组选定的训练数据的学习规则的开源实现。
2021-06-08 cs.AI cs.CR cs.LG
Plausible Deniability for Privacy-Preserving Data Synthesis
UIUC（伊利诺伊大学厄巴纳-香槟分校）；Cornell Tech（康奈尔科技学院）
发布完整的数据记录是数据隐私中最具挑战性的问题之一。一方面，许多流行的技术，如数据去识别是有问题的，因为它们依赖于对手的背景知识。另一方面，严格的方法，如指数机制的差分隐私通常是计算上不切实际的用于释放高维数据或不能保持高效用的原始数据，由于其广泛的数据扰动。本文提出了一个标准，称为似是而非的可否认性，提供了一个正式的隐私保证，特别是释放敏感数据集：输出记录可以被释放，只有当一定数量的输入记录是不可区分的，隐私参数。这个概念不依赖于对手的背景知识。此外，它可以有效地通过隐私测试进行检查。我们提出的机制来生成合成数据集与输入数据和相同的格式具有相似的统计特性。我们从理论和实验两方面研究了这种技术。一个关键的理论结果表明，合理的可否认性机制产生不同的私人合成数据与适当的随机化。我们证明了这种生成技术在大型数据集上的效率;它被证明可以保留原始数据在各种统计分析和机器学习措施方面的效用。
2017-08-26 cs.CR cs.DB cs.LG
With a Little Help from My Friends: Transport Deniability for Instant Messaging
即时消息（IM）应用程序的流量分析继续构成重要的隐私挑战。特别是，传输级数据可能会无意中泄露有关IM的信息，比如谁与谁通信。现有的元数据隐私工具存在采用障碍，包括安装特定应用程序时被审查的风险，以及与移动设备不兼容的性能开销。我们认为，流量分析的弹性必须由主要的IM服务本身直接支持，并且必须在不破坏现有功能的情况下以低成本的方式完成。作为这个方向的第一步，我们提出了一个混合消息传递模型，结合了常规和可否认的消息。我们提出了一个新的协议，可否认的即时消息，我们称之为DenIM。DenIM是建立在这样一个原则上的，即在用户朋友的帮助下，可以使可拒绝的消息与常规消息难以区分。可否认消息的网络流量可以通过一个看似合理的封面故事来解释。DenIM实现的开销与发送的消息成比例，而不是随时间或用户数量而扩展。为了显示DenIM的有效性，我们实现了一个跟踪模拟器，并显示DenIM的可否认性保证对强大的对手，如互联网服务提供商。
2022-02-04 cs.CR
SoK: Plausibly Deniable Storage
数据隐私对于灌输信任和赋予现代技术驱动的民主社会契约至关重要。不幸的是，它不断受到过度或彻底压迫政府的攻击，包括世界上一些最古老的民主国家。越来越多的反加密法律严重限制了标准加密保护隐私的能力。需要新的防御机制。合理否认（PD）是一个强大的属性，使用户能够隐藏系统中的敏感信息的存在，由对手的直接检查。流行的加密存储系统，如TrueCrypt和其他研究成果，也试图提供合理的可否认性。不幸的是，这些努力往往是在不太明确的假设和对抗性模型下进行的。仔细的分析往往不仅会发现高昂的开销，而且会发现彻底的安全隐患。此外，我们对对手、底层存储技术以及可用的合理可否认解决方案的理解在过去二十年中发生了巨大变化。这项工作的主要目标是将这些知识系统化。其目的是：- 确定关键的PD属性，要求和方法; -提出一个迫切需要的统一框架，用于评估安全性和性能; -探索PD和现代系统分层堆栈之间的关键相互作用所带来的挑战;- 提出新的“痕迹导向”PD范例，能够将安全保证与底层系统分离，从而确保更高级别的灵活性和安全性，而不依赖于技术堆栈。这项工作也意味着作为一个值得信赖的指南，系统和安全从业人员在理解，设计和实施合理的可否认性到新的或现有的系统的主要挑战。
2021-11-24 cs.CR
Plausible Deniability Guarantees for Whistleblowers
University College London（伦敦大学学院）；École Polytechnique de Montréal（蒙特利尔理工学院）；Mila - Québec Artificial Intelligence Institute（魁北克人工智能研究所）
研究如何保障举报人，针对现有保护提案和差分隐私机制不足，形式化逐报告(0,δ)-差分隐私，证明随机响应不比均匀随机审计好超δ，给出通用机制简化私人审计，实例化后有良好效果，模拟显示优于随机响应。
2026-07-16 cs.CR cs.LG stat.ML
Efficient Federated Unlearning under Plausible Deniability
Umeå University（于默奥大学）
本文提出了一种高效联邦遗忘方法，通过可否认性证明使服务器能合理否认客户端参与训练，并在频繁请求时采用差分隐私策略，显著降低内存和重训练时间。
2024-10-13 cs.CR cs.LG
DP4SQL: Differentially Private SQL with Flexible Privacy Policies
Duke University（杜克大学）；Binghamton University（宾汉姆顿大学）；Penn State University（宾夕法尼亚州立大学）
针对关系数据库差分隐私中隐私策略僵化的问题，提出DP4SQL系统，支持自定义记录存在性保护与内容保护等灵活策略，避免过度噪声或保护不足。
2026-06-15 cs.CR cs.DB
Privacy on the Blockchain: Unique Ring Signatures
环签名是一种加密协议，允许组中的任何成员代表组生成签名，而不会泄露单个签名者的身份。这为组成员提供了通过通用数字签名方案无法达到的匿名级别。我们称这种属性为“合理否认性”，或相对于匿名集的匿名性。我们特别专注于在区块链上实现隐私，引入一个独特的环签名方案，与现有的区块链系统一起工作。我们使用secp256k1实现了一个独特的环签名（URS）方案，以这种方式创建了第一个与区块链库兼容的实现，以便轻松实现为以太坊智能合约。我们回顾了我们构建的方案所提供的隐私和安全属性，并将其效率与区块链上其他常见的隐私方法进行了比较。
2016-12-25 cs.CR
3PS - Online Privacy through Group Identities
将在线数据汇集限制在特定目的所需的最低限度是现代隐私立法的规定，例如《通用数据保护条例》（GDPR）和《加州消费者保护法》。在广泛收集个人信息的在线服务中尤其如此，这显然是对隐私的关注。我们对提供个性化服务需要广泛收集个人数据汇集的观点提出质疑。通过首先开发隐私和实用程序的正式模型，我们展示了用户如何获得个性化的内容，同时保留了一种能力，可以合理地拒绝他们对他们认为敏感的主题的兴趣，使用代理系统，我们称之为3 PS的组身份。通过对原型实施的广泛实验，使用可公开访问的数据源，我们表明，在我们的测试中，3 PS在98%以上的时间内为个人用户提供个性化内容，同时在面对各种攻击类型的最坏情况威胁时有效地保护合理的可否认性。
2018-11-27 cs.CR
PEARL: Plausibly Deniable Flash Translation Layer using WOM coding
当攻击者强大到足以强迫用户透露加密密钥时，单独的加密就不足以保护数据保护。合理否认（PD）机制通过使用户能够隐藏敏感数据的存在来解决这个问题，通常通过提供托管在同一设备上的看似合理的“封面文本”或“公共数据卷”。不幸的是，随着（NAND）闪存作为高性能、经济高效的存储介质的日益普及，PD在现实对手的存在下变得更具挑战性，这些对手通常可以在多个时间点访问设备（“多快照”）。这是因为对闪存的读/写操作不会导致对底层设备状态的直观的对应改变。这种行为大多是专有的，这一事实使问题进一步复杂化。例如，在大多数市售闪存设备中，从上层发出的删除或重写操作几乎肯定不会导致底层闪存单元的实际立即擦除。为了解决这些挑战，我们设计了一类新的一次写入存储器（WOM）代码，将隐藏位存储在与其他公共位相同的物理位置。这是通过NAND闪存的固有性质以及向先前未在现有页中写入的目标单元发出多次写入的可能性而实现的。我们设计了PEARL，这是一个通用的闪存转换层（FTL），允许用户在NAND闪存设备中存储隐藏数据。我们在广泛使用的模拟器FlashSim上实现并评估了PEARL（Kim等人，2019）。PEARL在真实世界的工作负载上表现良好，与非PD基线一致。PEARL是第一个为NAND闪存设备实现强大的合理可否认性的系统，可以抵御真实的多快照对手。
2020-09-04 cs.CR
Improving Bitswap Privacy with Forwarding and Source Obfuscation
本文研究在 IPFS 的 Bitswap 协议中引入转发与来源混淆以增强隐私，实验显示涓流扩散可将来源预测准确率降至 40%，并在短距离场景下仍可能保持较快的内容获取速度。
2023-07-07 cs.CR
A Validated Privacy-Utility Preserving Recommendation System with Local Differential Privacy
本文提出了一种新的推荐系统保护隐私和效用。它依赖于本地的差分隐私（LDP）的浏览用户发送他的嘈杂的偏好配置文件，扰动布隆过滤器，服务提供商。这种方法的独创性是多方面的。首先，据我们所知，该方法是第一个在用户侧包括两个扰动轮- PRR（永久随机响应）和IRR（瞬时随机响应）-在一个完整的用户简档。其次，建立了完整的验证实验链，使用基于神经网络或XGBoost的机器学习解码算法对扰动后的Bloom过滤器进行解码，使用聚类Kmeans工具对用户进行聚类。第三，大量的实验表明，我们的方法实现了良好的实用性和隐私的权衡，即90 $\%$聚类成功率，分别。80.3 $\%$，分别用于LDP $ε= 0.8$的值。$ε= 2$。第四，实验和理论分析给出了具体的结果，我们的方法的阻力合理的可否认性和抵抗平均攻击。
2021-09-23 cs.CR
Preventing Manipulation Attack in Local Differential Privacy using Verifiable Randomization Mechanism
用于局部差分隐私（LDP）的几种随机化机制（例如，随机化应答）被充分研究以提高效用。然而，最近的研究表明，LDP在本质上通常容易受到恶意数据提供商的攻击。因为数据收集器必须仅从已经随机化的数据估计背景数据分布，所以恶意数据提供者可以在发送之前操纵其输出，即，随机化将为他们提供合理的否认能力。攻击者可以有效地扭曲估计，因为它们是通过使用LDP协议中定义的随机化概率进行归一化来计算的，并且甚至可以控制估计。在本文中，我们将展示如何防止恶意攻击者破坏LDP协议。我们的方法是利用可验证的随机化机制。数据收集器可以验证为每个数据提供者执行商定的随机化机制的完整性。我们提出的方法完全保护LDP协议的输出操作，并显着减轻预期的损害攻击。我们不假设任何特定的攻击，它有效地对抗一般的输出操纵，因此比以前提出的对策更强大。我们描述了三个国家的最先进的LDP协议的安全版本，并根据经验表明，它们会导致可接受的开销根据几个参数。
2021-06-09 cs.CR
Bistochastically private release of data streams with zero delay
本文针对连续数据流提出一种基于双随机随机化回答的匿名化协议，通过基本合理否认性实现零延迟的个体原子化处理，并提供形式化隐私保证。
2024-02-25 cs.CR
From Randomized Response to Randomized Index: Answering Subset Counting Queries with Local Differential Privacy
针对本地差分隐私中值扰动导致效用下降的问题，提出对值索引随机化的CRIAD方法，用于回答集合值数据上的子集计数查询，通过多虚拟项、多样本和多组策略实现可扩展性，并在准确性和隐私保障上优于现有方法。
2025-04-24 cs.CR cs.DB
Lclean: A Plausible Approach to Individual Trajectory Data Sanitization
近年来，随着重大数据产业化的不断发展，轨迹数据对城市建设和环境监测具有越来越重要的分析价值。然而，轨迹中包含了大量的个人隐私，贸然公布轨迹数据集会造成严重的隐私泄露风险。目前轨迹数据的隐私保护主要采用数据匿名和泛化的方法，没有考虑攻击者的背景知识，忽略了相邻位置点可能泄露敏感位置点的风险。本文针对上述问题，结合弹道数据的位置相关性，提出了一种似然替换方法。首先，提出了轨迹点的相关性分类包含敏感点的个人轨迹。然后，根据位置点的相关性和随机响应机制，选择合理的候选集合替换轨迹中的敏感点，以满足局部差分隐私。理论和实验结果表明，该方法既保护了个体的敏感信息，又不影响整体数据分布。
2018-04-05 cs.CR
Privacy- and Utility-Preserving Textual Analysis via Calibrated Multivariate Perturbations
Amazon（亚马逊）
准确地从用户数据中学习，同时提供可量化的隐私保证，这为在维护用户信任的同时构建更好的ML模型提供了机会。本文提出了一种形式化的方法来进行隐私保护文本扰动使用的概念dx隐私设计，以实现地理位置数据的不可否认性。我们的方法适用于仔细校准的噪音，以向量表示的话，在一个高维空间定义的词嵌入模型。我们提出了一个隐私证明，满足DX隐私的隐私参数提供保证相对于由词嵌入空间定义的距离度量。我们演示了如何通过分析GloVe和fastText嵌入的大规模分析支持的似是而非的可否认性统计数据来选择。我们对2个基线模型进行隐私审计实验，并在3个数据集上进行效用实验，以证明不同任务类型上不同值的隐私和效用之间的权衡。我们的研究结果证明了实用性（训练二进制分类器的效用损失< 2%），同时提供了比基线模型更好的隐私保证。
2019-10-20 cs.CL cs.CR cs.LG
Privacy-Preserving Image Classification in the Local Setting
University of South Florida（南佛罗里达大学）
图像数据在日常生活中由个人和商业供应商大量产生，并且已被用于各个领域，如广告，医疗和交通分析。近年来，图像数据在应急响应等社会应用中也显得非常重要。然而，隐私问题成为最大的障碍，阻止进一步探索的图像数据，由于图像可能会透露敏感信息，如个人身份和位置。近年来发展起来的局部差分隐私（LDP）技术为我们提供了一种很有前途的解决方案，它允许数据所有者在发布数据之前随机扰动其输入，以提供数据的可信可否认性。在本文中，我们考虑了一个两方图像分类问题，其中数据所有者持有图像，而不可信的数据用户希望将这些图像作为输入来拟合机器学习模型。为了保护图像的隐私，我们建议在向数据用户透露之前对图像表示进行局部扰动。随后，我们分析了扰动如何满足ε-LDP，并影响基于计数和基于距离的机器学习算法的数据效用，并提出了一个监督的图像特征提取器，DCAConv，它产生一个可伸缩的域大小的图像表示。我们的实验表明，DCAConv可以保持高的数据效用，同时保护多个图像基准数据集的隐私。
2020-02-09 cs.CR cs.LG stat.ML
Privacy-Preserving Multiple Tensor Factorization for Synthesizing Large-Scale Location Traces with Cluster-Specific Features
AIST（产业技术综合研究所）；NTT（日本电信电话株式会社）；RIKEN（理化学研究所）；NSSOL（日铁解决方案株式会社）
随着LBS（基于位置的服务）的广泛使用，合成位置轨迹在分析空间大数据同时保护用户隐私方面发挥着越来越重要的作用。具体地，保留特定于用户集群的特征（例如，那些乘训练上下班的人、那些去购物的人）对于各种地理数据分析任务和提供合成位置数据集是重要的。虽然位置合成器已被广泛研究，现有的合成器不提供足够的实用性，隐私，或可扩展性，因此是不实用的大规模的位置跟踪。为了克服这个问题，我们提出了一种新的位置合成器称为PPMTF（隐私保护多张量分解）。我们模型的各种统计功能的原始轨迹的过渡计数张量和访问计数张量。我们通过多重张量分解同时分解这两个张量，并通过后验采样训练因子矩阵。然后，我们从重建的张量合成痕迹，并执行一个合理的可否认性测试的合成痕迹。我们使用两个数据集全面评估PPMTF。我们的实验结果表明，PPMTF保留各种统计特征，包括集群特定的功能，保护用户隐私，并在实际时间合成大规模的位置轨迹。PPMTF在相同隐私级别的实用性和可扩展性方面也显着优于最先进的方法。
2020-11-19 cs.CR cs.DB cs.LG
SynTF: Synthetic and Differentially Private Term Frequency Vectors for Privacy-Preserving Text Mining
文本挖掘和信息检索技术的发展是为了帮助我们在计算机的帮助下分析、组织和检索文档。在许多情况下，这类文档的作者最好保持匿名：搜索日志可能会泄露用户的敏感信息，关于公司或政府的批评文章或消息可能会对批评者造成严重或致命的后果，客户调查中的负面反馈如果被识别，可能会对业务关系产生负面影响。然而，简单地从文档中删除个人识别信息不足以保护作者的身份：给定一些可疑作者的参考文本，所谓的作者归属方法可以从文本本身重新识别作者。在许多常见的文本挖掘和信息检索任务中表示文档的最突出的模型之一是向量空间模型，其中每个文档被表示为向量，通常包含其术语频率或相关量。因此，我们提出了一种自动文本匿名化方法，该方法为输入文档生成合成词频向量，可以代替原始向量。我们评估了我们的方法在一个示例性的文本分类任务，并证明它只具有较低的影响，其准确性。相比之下，我们表明，我们的方法强烈影响作者归属技术的水平，他们变得不可行的准确性下降得多。与以前的作者身份混淆方法不同，我们的方法是第一个实现差分隐私的方法，因此具有可证明的合理可否认性保证。
2018-05-02 cs.CR cs.IR
Ghost: Plausible Yet Unlearnable Trajectories via On-Manifold Substitution for Next-POI Privacy
Fudan University（复旦大学）；University of Malaya（马来亚大学）；Tongji University（同济大学）
提出Ghost框架，通过流形对齐的扰动生成地理和语义上合理的不可学习轨迹，抵御净化攻击，保护下一兴趣点预测隐私。
2026-06-02 cs.CR cs.IR
Privacy-Preserving Password Cracking: How a Third Party Can Crack Our Password Hash Without Learning the Hash Value or the Cleartext
针对不可信第三方破解密码哈希的隐私风险，提出基于谓词加密扩展与诱饵哈希匿名集的3PC协议，实现常数时间高效扩展，经理论与FPGA实测验证隐私保护与破解可行性。
2023-06-14 cs.CR cs.IT math.IT
Ball Differential Privacy: How to Mitigate Data Reconstruction with Less Noise
University of Copenhagen（哥本哈根大学）
研究如何缓解数据重建问题，提出球差分隐私方法，通过限制单记录替换范围减少噪声，给出正则化凸学习问题的噪声校准及重建稳健性证书，并在基准学习任务上验证，提高了效用。
2026-07-15 cs.CR cs.LG
Exposing Privacy Risks in Anonymizing Clinical Data: Combinatorial Refinement Attacks on k-Anonymity Without Auxiliary Information
本研究提出无需辅助信息的组合细化攻击CRA，针对ARX生成的局部重编码k-匿名临床数据，通过线性规划缩小敏感值范围，在真实临床数据上验证了现有k-匿名框架的隐私防护不足。
2025-09-03 cs.CR
Towards Plausible Differentially Private ADMM Based Distributed Machine Learning
University of Houston（休斯顿大学）；San Francisco State University（旧金山州立大学）；University of Connecticut（康涅狄格大学）
交替方向乘法（ADMM）及其分布式算法在机器学习中有着广泛的应用。在ADMM的迭代中，使用本地私有数据的模型更新和代理之间的模型交换会带来严重的隐私问题。尽管有一些开创性的工作，以减轻这种担忧，差异私人ADMM仍然面临着许多研究挑战。例如，差分隐私（DP）的保证依赖于每个局部问题的最优性可以在每个ADMM迭代中完美地达到的前提，这在实践中可能永远不会发生。DP ADMM训练的模型可能具有较低的预测精度。在本文中，我们解决这些问题，提出了一种新的（改进）似是而非的差分私有ADMM算法，称为PP-ADMM和IPP-ADMM。在PP-ADMM中，每个代理近似地解决了在迭代中从其局部私有数据制定的扰动优化问题，然后用高斯噪声扰动近似解以提供DP保证。为了进一步提高模型的精度和收敛性，改进版IPP-ADMM采用稀疏向量技术（SVT）来确定是否要用当前扰动解更新其邻居。代理计算当前解决方案与上次迭代中的解决方案的差异，如果差异大于阈值，则将解决方案传递给邻居;否则将丢弃解决方案。此外，我们建议跟踪下的零集中DP（zCDP）的总隐私损失，并提供了一个泛化性能分析。在真实数据集上的实验表明，在相同的隐私保证下，本文提出的算法在模型精度和收敛速度方面均优于现有算法.
2020-08-11 cs.CR cs.LG stat.ML
Comprehension from Chaos: Towards Informed Consent for Private Computation
该研究通过22次半结构化访谈，首次调研终端用户对私有计算的认知与预期，发现具体场景能帮助用户理解私有计算，其接受度受数据用途影响，且需向用户明确计算目的与输入不跨机构共享的特性，以推动知情同意落地。
2023-08-23 cs.CR
Secure Federated Submodel Learning
Shanghai Jiao Tong University（上海交通大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；Alibaba Group（阿里巴巴集团）
联邦学习的提出有一个有趣的愿景，即在众多客户端之间实现协作式机器学习，而无需将其私有数据上传到云服务器。然而，传统的框架要求每个客户端利用完整的模型进行学习，这对于资源受限的客户端和大规模深度学习任务来说可能是非常低效的。因此，我们提出了一个新的框架，称为联邦子模型学习，其中客户端只下载完整模型的所需部分，即子模型，然后上传子模型更新。然而，客户真正需要的子模型的“位置”对应于她的私有数据，并且在交互期间将其披露给云服务器不可避免地打破了联邦学习的宗旨。为了整合效率和隐私，我们设计了一个安全的联邦子模型学习计划，加上一个私有集联盟协议作为基石。我们的安全方案具有随机响应，安全聚合，和布隆过滤器的属性，并赋予每个客户端一个定制的似是而非的可否认性，在本地差分隐私，对她想要的子模型的位置，从而保护她的私人数据。我们进一步实例化我们的方案与电子商务推荐场景在阿里巴巴，实现了一个原型系统，并广泛评估其性能超过30天的淘宝用户数据。分析和评估结果从模型精度和收敛性、实际通信、计算和存储开销等方面证明了该方案的可行性和可扩展性，并显示了其相对于传统联邦学习框架的显著优势。
2019-11-11 cs.CR cs.DC cs.LG
Differential Privacy and Natural Language Processing to Generate Contextually Similar Decoy Messages in Honey Encryption Scheme
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
蜂蜜加密是一种使用低最小熵密钥加密消息的方法，例如弱密码，OTP，PIN，信用卡号。当用任意数量的错误密钥解密时，产生的密文会产生看似可信但被称为“蜂蜜消息”的伪明文。但是目前用于产生诱饵明文的技术并不完全模拟人类语言。一个胡言乱语的、随机组合的单词不足以欺骗攻击者;无论攻击者是否知道真正来源的一些信息，这都是不可接受的和令人信服的。在本文中，我专注于明文，这是一些非数字的信息消息。为了欺骗攻击者相信诱饵消息实际上可以来自某个来源，我们需要捕获语言的经验和上下文属性。也就是说，真实信息和虚假信息之间不应该有语言上的差异，而不会揭示真实信息的结构。我采用自然语言处理和广义差分隐私来解决这个问题。我主要关注机器学习方法，如关键字提取，上下文分类，词袋，词嵌入，用于文本处理的Transformers，以模拟文本文档的隐私。然后用e-差分隐私证明了该方法的安全性。
2020-10-29 cs.CR cs.LG
Artificial Impostors for Location Privacy Preservation
随着位置服务的发展，位置隐私泄露问题日益受到关注。对于有效和高效的位置隐私保护（LPP），现有的方法仍然不能完全胜任。它们往往容易受到带边信息的身份攻击，或者由于高计算复杂性而难以实现。在本文中，我们同时追求高的保护效率和低的计算复杂性。我们提出了一个可扩展的LPP方法的基础上伪造位置的范例。为了使虚假位置变得非常可信，我们通过合成人工冒名顶替者（AI）来伪造它们。人工智能是指合成的轨迹具有类似的语义特征的实际轨迹，并不包含任何目标位置。设计了两种专门的技术：基于采样的合成方法和人口级语义模型。它们在合成人工智能的两个关键步骤中发挥着重要作用。我们在两个城市（中国上海和西班牙阿斯图里亚斯）的真实数据集上进行实验，以验证所提出的方法的高效率和可扩展性。在这两个数据集上的实验结果表明，该方法达到了$97.65\%$和$96.12\%$的保存效果，生成器的运行时间分别仅为$230.47$和$215.92$ s。这项研究将为研究界提供新的见解，通过伪造地点来提高最先进的LPP范式的实用性。
2018-07-29 cs.CR cs.SI
Slowly Scaling Per-Record Differential Privacy
U.S. Census Bureau（美国人口普查局）；Tumult Labs（Tumult实验室）；The MITRE Corporation（MITRE公司）
针对存在大量异常值的数据（如收入数据），提出隐私保证随记录影响对数级缓慢退化的机制，实现准确无偏的统计发布，并为高影响记录提供有意义的保护。
2025-05-02 cs.CR stat.ME
A Secure Multi-Party Computation Protocol for Malicious Computation Prevention for preserving privacy during Data Mining
安全多方计算（SMC）允许具有相似背景的各方根据其私人数据计算结果，最大限度地减少泄露的威胁。需要在联网计算机上传递的敏感数据呈指数级增长，互联网的巨大增长为合作计算带来了巨大的机会，各方聚集在一起，促进计算并得出互利的结论;同时渴望保持他们的私人数据安全。这些计算通常需要在竞争对手之间进行，他们显然厌倦了彼此的意图。SMC不仅满足了这些方面的需求，而且还为各个组织提供了合理的解决方案，如隐私保护数据库查询，隐私保护科学计算，隐私保护入侵检测和隐私保护数据采掘。本文是一个扩展到以前提出的协议Encrytpo_Random，提出了一个一帆风顺但有效的方法SMC，并提出了一个精心制作的架构，从而这样一个有效的协议，涉及各方已经提出了联合计算和第三方谁承担这样的计算，可以开发。通过这种扩展的工作，试图进一步加强现有的协议，从而为更安全的多方计算过程铺平了道路。
2009-08-07 cs.CR cs.DB
Preserving Privacy in Software Composition Analysis: A Study of Technical Solutions and Enhancements
针对软件成分分析（SCA）需上传源代码至远程服务器导致的隐私问题，首次分析其隐私需求并提出技术方案全景图，优化基于多方计算（MPC）的框架，将开销从184倍降至8.5%且不损失隐私与准确性。
2024-12-01 cs.CR cs.SE
PrivCert: Certifying Statement Support under Differential Privacy
Acompany Co., Ltd.（Acompany有限公司）
PrivCert提出隐私保护报告框架，通过证书和弃权决策显式认证语句支持度，弥补差分隐私文本生成的证据缺口，实验表明其优于基线。
2026-10-01 cs.CR cs.LG
1st ICLR International Workshop on Privacy, Accountability, Interpretability, Robustness, Reasoning on Structured Data (PAIR^2Struct)
Rutgers University（罗格斯大学）；Hong Kong Polytechnic University（香港理工大学）；Massachusetts Institute of Technology（麻省理工学院）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Columbia University（哥伦比亚大学）；Peking University（北京大学）
近年来，与人工智能（AI）的负责任和道德使用有关的原则和指导在全球范围内取得了进展。具体而言，数据隐私、问责制、可解释性、鲁棒性和推理已被广泛认为是在决策关键和/或隐私敏感应用程序上使用机器学习（ML）技术的基本原则。另一方面，在大量的现实世界应用中，数据本身可以很好地表示为各种结构化的形式主义，例如图结构数据（例如，网络），网格结构数据（例如，图像），顺序数据（例如，通过利用固有的结构化知识，人们可以设计合理的方法来识别和使用更相关的变量来做出可靠的决策，从而促进现实世界的部署。
2022-10-07 cs.AI cs.CR cs.CV
Strong Hardness of Privacy from Weak Traitor Tracing
尽管有很多研究，差分隐私的计算复杂性仍然知之甚少。在本文中，我们考虑的计算复杂性，准确地回答家庭$Q$的统计查询的数据宇宙$X$下差分隐私。对数据集$D \in X^n$的统计查询询问“$D$的元素中有多少部分满足$X$上的给定谓词$p$？“Dwork等人（STOC'09）和Boneh和Zhandry（NPTO'14）表明，如果$Q$和$X$都是多项式大小，那么就有一个有效的差分私有算法，可以准确地回答所有查询，如果$Q$和$X$都是指数大小，那么在合理的假设下，就不存在有效的算法。我们表明，在相同的假设下，如果查询或数据宇宙的数量是指数大小，另一个具有至少$\tilde{O}(n^7)$的大小，那么没有差异私人算法，回答所有的查询。在这两种情况下，结果在数量上几乎是紧密的，因为存在一种有效的差异私有算法，其在指数大小的数据域上回答$\tildeΩ(n^2)$查询，并且存在一种在大小为$\tildeΩ(n^2)$的数据域上回答指数许多查询的算法。我们的证明建立在差分隐私和叛徒追踪方案中的硬度结果之间的联系上（Dwork等人，STOC'09; Ullman，STOC'13）。我们证明了我们的硬度结果多项式大小的查询集（分别，DataUniverse）通过表明它们是由具有非常短的密文的特殊类型的叛逆者追踪方案的存在而得出的（分别地，密钥），但安全性保证非常弱，然后构造这样的方案。
2016-07-20 cs.CR cs.DS
Do You Really Need Public Data? Surrogate Public Data for Differential Privacy on Tabular Data
Boston University（波士顿大学）；New York University（纽约大学）
针对表格数据缺乏公共数据的问题，提出利用大语言模型从模式规范合成不消耗隐私预算的替代公共数据，用于DP分类器预训练、超参数调优和权衡估计，实验证明其可有效替代传统公共数据。
2025-04-19 cs.CR cs.LG
Towards Biologically Plausible and Private Gene Expression Data Generation
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；German Center for Neurodegenerative Diseases (DZNE)（德国神经退行性疾病中心（DZNE））
本文系统评估五种差分隐私生成模型在真实基因表达数据上的表现，发现其下游效用看似合理但均无法准确捕捉生物特征，揭示现有方法评估过于乐观并亟需改进。
2024-02-07 cs.CR cs.LG
A Survey on Homomorphic Encryption Schemes: Theory and Implementation
传统加密系统依赖于在交换加密消息时所涉及的对等体之间共享密钥（公共或私有）。然而，这种方法带来了隐私问题。特别是在流行的云服务中，对敏感数据隐私的控制将丢失。即使不共享密钥，加密材料也会与不一定需要访问内容的第三方共享。此外，不受信任的服务器、提供商和云运营商可以在用户结束与服务的关系后很长一段时间内继续识别用户的元素。事实上，同态加密（HE），一种特殊的加密方案，可以解决这些问题，因为它允许任何第三方对加密的数据进行操作，而无需提前解密。虽然HE方案的这个非常有用的特征已经被知道超过30年，但是第一个合理且可实现的全同态加密（FHE）方案，其允许任何可计算函数对加密数据执行，是由Craig Gentry在2009年引入的。尽管这是一项重大成就，但到目前为止的不同实现表明，FHE仍然需要显着改进，才能在每个平台上实用。首先，我们介绍了HE的基础知识和众所周知的部分同态加密（PHE）和部分同态加密（SWHE）的细节，这是实现FHE的重要支柱。在此基础上，介绍了FHE的主要族系，为后续FHE方案的研究奠定了基础。此外，Gentry型FHE方案的实现和最近的改进也进行了调查。最后，对今后的研究方向进行了展望。本调查旨在为有兴趣了解、应用和扩展最先进的HE、PHE、SWHE和FHE系统的研究人员和从业人员提供明确的知识和基础。
2017-10-06 cs.CR
Membership Privacy Evaluation in Deep Spiking Neural Networks
University of Padua（帕多瓦大学）；Radboud University（拉德堡德大学）
本文首次系统评估脉冲神经网络（SNN）的成员隐私，通过八种成员推理攻击（MIA）实验揭示SNN在神经形态数据下比ANN更脆弱，并证明数据增强可显著降低攻击性能。
2024-09-28 cs.AI cs.CR
Federated Learning for Intrusion Detection System: Concepts, Challenges and Future Directions
Vellore Institute of Technology（韦洛尔理工学院）；University of Nantes（南特大学）
互联网和智能设备的快速发展引发了网络流量的激增，使得其基础设施更加复杂和异构。移动电话、可穿戴设备和自动驾驶汽车的主要使用是分布式网络的例子，这些网络每天都会产生大量的数据。这些设备的计算能力也在稳步发展，这就需要传输信息，在本地存储数据，并将网络计算推向边缘设备。入侵检测系统在确保这些设备的安全和隐私方面发挥着重要作用。机器学习和深度学习与入侵检测系统由于其高分类精度的实现而获得了巨大的发展势头。然而，由于需要将数据存储和传输到集中式服务器，隐私和安全方面可能会受到危害。相反，联邦学习（FL）适合作为一种隐私保护的分散式学习技术，它不传输数据，而是在本地训练模型，并将参数传输到集中式服务器。本文的目的是提出一个广泛的和详尽的审查使用FL在入侵检测系统。为了建立对FL的需求，讨论了各种类型的IDS，相关的ML方法及其相关问题。本文详细介绍了FL在异常检测的各个方面的实现。此外，还确定了FL实施的相关挑战，这为未来研究方向的范围提供了思路。本文最后提出了合理的解决方案与确定的挑战，在FL为基础的入侵检测系统的实施作为一个基线的前瞻性研究。
2021-06-16 cs.CR cs.LG
PrivDev: Mapping Static-Analysis Data Types to DPV
PUC-Rio（天主教里约热内卢大学）
PrivDev将122个Bearer CLI数据类型映射到DPV-PD类别并关联GDPR条款，结合确定性匹配与检索增强LLM，生成经SHACL验证的RDF知识图谱，人工评估显示映射合理且可复现。
2026-10-05 cs.CR cs.SE
