位置隐私

基于马尔可夫模型的同态加密方案，挺适合搞位置隐私保护的朋友。它用马尔可夫链预测用户查询行为，用同态加密把整个过程包起来。查询走预测、数据跑密文，隐私保护和性能平衡得还不错。历史高频内容+状态转移预测，响应快、误差小，实战场景比如 LBS、推荐系统都能用上。嗯，要是你正好在做匿名化、k 匿名、HMM 相关的东西，那这套逻辑你肯定不陌生。链接我也放这了，感兴趣的可以点进去看看源码和算法细节。

在 MxN 棋盘上，每个方格都包含一个字母。从任意方格出发，按如下规则构成单词：- 每次选取相邻 8 个方格中的一个方格（不能选取已选过的方格）- 依次循环，形成一个字母序列

Hadoop 安全机制保障了大数据平台数据隐私与安全，有效防御外部攻击和内部威胁。

针对序列模式挖掘中的隐私保护问题，研究人员提出了名为CLDSA（当前最少序列删除算法）的创新算法。 该算法通过对候选序列进行加权，并在删除过程中动态更新权重，以贪心算法获得局部最优解，从而最大限度地减少对原始数据库的修改。 实验结果验证了CLDSA算法在隐藏敏感序列方面优于现有方法，实现了更有效的隐私保护。

几何结构的信息保留，是GDP 方法最大的亮点。在做数据挖掘时，多模型其实都是靠这些多维结构来提效的，比如聚类、分类、回归这些任务。GDP 不是那种一味加噪音的扰动方法，而是更聪明地保留了重要结构，这点蛮值得一试。 GDP 方法的私密性也挺有意思。作者还搞了个多列隐私评估框架，可以评估在不同攻击手法下的防护效果。尤其适合那种数据外包到云端的应用场景，既保护了隐私，又不牺牲模型效果。 实验部分也挺给力。对比了随机投影等其他方法，GDP 的模型表现还挺稳，隐私也没掉链子。如果你经常搞隐私计算或者数据共享相关的项目，这篇文章的思路和方法可以参考参考，真不是纸上谈兵。 顺带说下，作者陈可可之前在数据扰动

频繁模式挖掘的隐私保护，老实说还挺让人头疼的。一方面你得保证数据挖得准，另一方面又不能让用户的隐私裸奔。差分隐私就挺有意思，它靠往数据里加点“噪声”，让你挖不出具体个人的信息，但整体模式又还能看出来。这篇综述对差分隐私下的几种频繁模式挖掘方法讲得蛮细，像基于直方图的、基于树结构的，还有基于压缩数据结构的。每种都举了例子，优缺点也得清楚，不会太枯燥，适合你了解当前都有哪些主流做法。对比部分也挺实用，比如哪种方法适合大数据场景、哪种适合模式量多的情况。读完之后心里会比较有谱，知道该选哪条路去试。文章还提了几个未来的方向，像是结合联邦学习、引入深度模型啥的，嗯...有点前沿但不虚浮，给人启发挺大的。

'MFquestdlg'是对'questdlg'的简单改进，允许用户轻松指定questdlg在屏幕上的位置。它保持了原有功能，但增加了位置参数，用户只需用标准化单位的二元素向量指定所需位置即可。例如，指定位置为[0.6, 0.1]将questdlg放置在屏幕左下角偏移的位置。

认为，当前的公开辩论将安全和隐私视为对立的二元对手，实际上在零和博弈中进行相互交易。一方面，这种观点基于对技术普遍的误解和理解不足；另一方面，则源于虚构的保密神话。此外，仅仅依赖法律来禁止或限制特定技术的政治策略是次要的，并且往往是无效的。主张，通过采用对价值敏感的技术开发策略和政策实施的结合，才能更好地保护公民的自由权利。重要的是，在技术设计和开发过程中考虑到隐私问题，可以内置一些技术功能，以确保现有法律控制机制和相关程序有效保护公民自由。还探讨了身份识别、数据聚合和数据分析（包括数据挖掘）以及数据共享、匹配和分析技术中的安全和隐私问题，并提出了一些基于数据匿名化和身份信息的分离策略。

随着移动互联网、物联网等技术的蓬勃发展，个人隐私数据面临着前所未有的侵犯风险。隐私保护数据挖掘成为数据挖掘领域的热点，研究者们针对移动端、分布式系统、高维数据和时空数据等场景下隐私保护问题，提出了多种方法和算法，取得了丰硕的成果。

永远在线时代：隐私衡量与保护 数据挖掘在互联时代得到了极大的加强，从互联网到物联网 (IoT)，用户通过电视、智能手机、可穿戴设备和计算机化的个人助理等各种方式连接到互联网。许多设备以“永远在线”模式运行，不断接收和传输数据，物联网设备的增加使用可能导致社会进入“永远在线”时代，个人数据不断被收集。 当前的隐私监管方法本质上是部门性的，仅在特定背景下保护隐私，并且仅针对特定的行业或群体，因此个人隐私面临巨大风险。然而，严格的隐私监管可能会对数据效用产生负面影响，尤其是在技术发展和创新方面。 数据效用和隐私保护之间的权衡需要新的解决方案，而差异隐私方法可能会有很大帮助。该方法建议在被视为敏感的数