导语


过去十几年，社会科学与计算科学、复杂科学的交叉研究取得了迅猛发展，研究人员利用观察数据、实验设计和大规模仿真发表了海量论文，同时也涌现出了许多研究方向。集智俱乐部主办的“社会计算”主题的系列读书会（5月27日已启动），通过从不同角度对其进行解读、分析和探讨，希望能给相关的从业者、研究人员、科研爱好者一些启发和灵感。


6月3日（周四）20:30-22:30将进行本读书会第二期分享，叶青青老师首先会介绍本地化差分隐私技术的基本原理，然后阐述其主要研究方面，最后提出本地化差分隐私当前的研究挑战和未来的研究方向。题目 《本地化差分隐私下的数据分析技术探索》。


社会计算系列读书会的部分主题会在集智俱乐部B站公开直播，欢迎扫描文中二维码或点击文末“阅读原文”，点击「我要听」预约直播，可在开播前获得提醒！




内容简介




随着大数据分析的盛行，服务提供商越来越热衷于收集和分析用户的行为数据以改善其服务。然而，个人数据的收集通常伴随着隐私风险，不仅对用户而言如此，对容易遭遇内部和外部数据泄露的服务提供商而言也是如此。本地差分隐私 （Local Differential Privacy, LDP）是一种新兴的的隐私保护模型，能够在个人数据的收集和分析过程中为敏感数据提供强健的隐私保护。本地化差分隐私技术摒弃了可信第三方的假设，每个用户首先在本地对数据进行扰动，然后再将其发送数据至不可信第三方数据收集者。目前，包括谷歌、苹果和微软在内的大型互联网公司已将本地化差分隐私技术成功部署在相关的落地产品中。


在这次读书会分享中，首先会介绍本地化差分隐私技术的基本原理，然后阐述其主要研究方面，最后提出本地化差分隐私当前的研究挑战和未来的研究方向。


主讲人


叶青青，香港理工大学电子与资讯工程学系的研究助理教授，于2020年获得中国人民大学计算机科学博士学位，曾获得国家奖学金、优秀博士学位论文奖和IEEE S＆P学生旅行奖等奖项。她的研究兴趣包括：数据隐私和安全性以及对抗性机器学习。





直播信息




直播时间：6月3日（周四）20:30-22:30


参与方式 1：腾讯会议（需报名参加系列读书会。读书会成员可在腾讯会议中开麦交流，向主讲人提问，参与互动）


参与方式 2：集智俱乐部B站直播（没有线上交流和答疑互动）


扫描下方二维码，点击「我要听」即可预约直播，预约可在开播前获得提醒：




社会计算系列读书会招募中


为了推动交叉学科间的合作，促进社会计算的发展和研究，集智俱乐部主办的社会计算系列读书会，于5月27日（周四）正式启动，预计为期10-12周，每周四晚上20:00-22:00进行在线的论文分享与讨论，欢迎对社会计算、社会智能、复杂科学、社会科学等领域感兴趣的朋友报名参加。（报名长期有效）

  • 时间：5月27日起，每周四晚20:00-22:00

  • 模式：线上闭门读书会；（收费-退款的保证金模式、读书会成员认领解读论文）

  • 费用：399元/人（可看录播视频）

链接：https://campus.swarma.org/form/activity/32

第一步：扫码填写报名信息。

第二步：信息填写之后，进入对应的付费信息，提交保证金399元。（购课相当于提交保证金，符合退费条件后可退费）。

第三步：添加负责人微信，拉入读书会讨论群。

读书会详情及退费规则请参考：
融合计算科学、社会科学与复杂科学：社会计算系列读书会启动招募

往期读书会回放

第一期：社会计算——探索新的研究范式

网址：https://campus.swarma.org/course/2741

本期阅读论文清单

  • Q. Ye, H. Hu, N. Li, X. Meng, H. Zheng, H. Yan. Beyond Value Perturbation: Local Differential Privacy in the Temporal Setting. IEEE International Conference on Computer Communications (INFOCOM’21), May 2021, accepted to appear.

  • Q. Ye, H. Hu, M. H. Au, X. Meng, X. Xiao. LF-GDPR: Graph Metric Estimation with Local Differential Privacy. IEEE Transactions on Knowledge and Data Engineering (TKDE), accepted to appear, 2020.

  • H. Zheng, Q. Ye, H. Hu, C. Fang, and J. Shi. Protecting Decision Boundary of Machine Learning Model with Differentially Private Perturbation. IEEE Transactions on Dependable and Secure Computing (TDSC), accepted to appear, 2020.

  • Q. Ye, H. Hu, M. H. Au, X. Meng, X. Xiao. Towards Locally Differentially Private Generic Graph Metric Estimation. Proc. of the 36th IEEE International Conference on Data Engineering (ICDE’20), Dallas, USA, Apr. 2020, pp 1922-1925.

  • Q. Ye, H. Hu. Local Differential Privacy: Tools, Challenges and Opportunities. Proc. of the 20th International Conference on Web Information Systems Engineering (WISE ’19), Hong Kong, China, Jan. 2020, pp 13-23.

  • H. Zheng, Q. Ye, H. Hu, F. Cheng, and J. Shi. BDPL: A Boundary Differential Private Layer against Machine Learning Model Extraction Attacks. Proc. of the 24th European Symposium on Research in Computer Security (ESORICS ’19), Luxembourg, Sep. 2019, pp 66-83.

  • N. Li, Q. Ye. Mobile Data Collection and Analysis with Local Differential Privacy. Proc. of 20th IEEE International Conference on Mobile Data Management (MDM’19), Hong Kong, China, Jun. 2019, pp 4-7.

  • Q. Ye, H. Hu, X. Meng, and H. Zheng. PrivKV: Key-Value Data Collection with Local Differential Privacy. Proc. of 40th IEEE Symposium on Security and Privacy (S&P’19), San Francisco, USA, May 2019, pp 317-331.

  • 朱敏杰, 叶青青, 孟小峰, 杨鑫. 基于权限的移动应用程序隐私风险量化[J]. 中国科学: 信息科学, 2021, online.


社会计算读书会全部阅读论文清单链接：
https://pattern.swarma.org/path?id=126


推荐阅读



 点击“阅读原文”，即可报名直播