本地化差分隐私：隐私保护数据挖掘的新方向

近年来，隐私保护数据挖掘已成为研究者关注的热点。为了保护隐私，研究者提出了一系列基于匿名化技术的方法[4][5][6]。然而，这些方法需要对攻击者的背景知识做出假设，隐私保护强度较低。相比之下，差分隐私模型[10]由于其严谨的数学理论基础以及无需假设攻击者背景知识的优势，已成为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。在实际场景中，用户数据一般分布于各个终端，且对数据采集方持不信任态度。因此，研究者提出了本地化差分隐私模型。已有研究主要集中在频繁项集挖掘和聚类领域。下面将对相关领域的研究现状进行概述。