抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ストリーミングデータ収集は,様々なIoTとモバイルデバイスベースシステムにおける実時間データ分析に不可欠であるが,しかし,エンドユーザのプライバシーを曝露するかもしれない。局所微分プライバシー(LDP)はプライバシー保護データ収集と解析に対する有望な解決策である。しかし,流れに関する既存の少数のLDP研究は,有限河川のみに,あるいは不十分な保護に悩まされる。本論文では,LDP-IDSを提案することにより,ユーザエンドでの無限ストリームに対する実用的なプライバシー保証を提供し,集中型差動プライバシー(CDP)におけるポピュラーな予算分割フレームワークを適応させる新しいwイベントLDPパラダイムを提案する。LDPのための統一誤差解析構成を構築することによって,著者らは最初に,ストリームにおける非決定論的スパース性を活用することによって,データユーティリティを強化することができるLDP-IDSのための2つの広告予算分割ベースのLDP方式を開発した。さらに,著者らはさらに,LDP雑音の予算分割への高感度を避けることができるだけではなく,また,かなり少ない通信を必要とする新しい母集団分割フレームワークを提案した。フレームワークに基づいて,理論解析によるLDP-IDSのための2つの適応個体群分割法も提示した。提案フレームワークと手法の有効性および効率を評価するために,合成および実世界データセットに関する広範な実験を行った。実験結果は,適応予算分割法の有効性にもかかわらず,提案した集団分割フレームワークと方法がさらに高い有効性と効率を達成できることを証明した。【JST・京大機械翻訳】