本地化差分隐私数据挖掘研究概述

近年来，隐私保护数据挖掘备受研究者的重视。研究者们提出了一系列基于匿名化技术的隐私保护数据挖掘方法[4][5][6]，然而这些方法需要对攻击者的背景知识进行假设，其隐私保护强度较低。2006年，Dwork提出了差分隐私模型[10]，该模型具有数学理论基础严谨以及无需假设攻击者背景知识的优势，成为隐私保护数据挖掘的主流技术。然而，该模型主要应用于存在可信数据采集方的场景，而实际场景中，用户数据通常分布在各个终端，且对数据采集方持不信任态度。因此，研究者们提出了本地化差分隐私模型。目前，基于本地化差分隐私的数据挖掘主要集中在频繁项集挖掘和聚类领域。下面将对相关领域的研究现状进行概述。