本地化差分隐私数据挖掘研究现状概述

近年来，隐私保护数据挖掘已成为研究者关注的热点。为此，研究者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]，但这些方法需要假设攻击者具有背景知识，因此其隐私保护强度较低。相比之下，差分隐私模型[10]由于严谨的数学理论基础和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，而实际场景中，用户数据通常分布于各个终端，并对数据采集方持不信任态度。为此，研究者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。下面将对这些领域的研究现状进行概述。