本地化差分隐私：隐私保护数据挖掘的新趋势

近年来，学术界对隐私保护数据挖掘的关注度不断提高。研究者们提出了一系列基于匿名化技术的方法[4][5][6]，但这些方法的隐私保护强度较低，需要对攻击者的背景知识进行假设。相比之下，差分隐私模型[10]由于其严谨的数学理论基础和无需假设攻击者背景知识的优势，成为了隐私保护数据挖掘的主流技术。然而，该模型主要适用于存在可信数据采集方的场景，而实际场景中，用户数据往往分布于各个终端，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，已有多项基于本地化差分隐私的数据挖掘研究，主要集中在频繁项集挖掘和聚类领域。下面将对相关领域研究现状进行概述。