دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Jerome Le Ny
سری:
ISBN (شابک) : 3030410382, 9783030410384
ناشر: Springer
سال نشر: 2020
تعداد صفحات: 118
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Differential Privacy for Dynamic Data (SpringerBriefs in Control, Automation and Robotics) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب حریم خصوصی دیفرانسیل برای داده های پویا (SpringerBriefs در کنترل، اتوماسیون و رباتیک) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
Preface Contents Notation and Abbreviations 1 Defining Privacy-Preserving Data Analysis 1.1 Motivation 1.2 Privacy Attacks 1.3 Differential Privacy 1.3.1 Standard Definition 1.3.2 Definition via Hypothesis Testing 1.3.3 Basic Composition Theorem and Resilience to Post-processing 1.3.4 Variations on Differential Privacy 1.4 Alternative Approaches to Privacy-Preserving Data Analysis 1.4.1 Statistical Disclosure Limitation, K-anonymity, and Information-Theoretic Approaches 1.4.2 Privacy, Secrecy and the Role of Cryptography 1.5 Privacy-Preserving Analysis for Dynamic Data References 2 Basic Differentially Private Mechanisms 2.1 Introduction 2.2 Laplace and Gaussian Mechanisms 2.3 Input and Output Mechanisms: Basic Examples 2.3.1 Adjacency Relations on Individual and Collective Data Streams 2.3.2 Input Perturbation Mechanisms 2.3.3 Output Perturbation Mechanisms 2.3.4 Comparison of Input and Output Perturbation Mechanisms References 3 A Two-Stage Architecture for Differentially Private Filtering 3.1 Introduction 3.2 Design Methodology for Two-Stage Mechanisms 3.3 Two-Block Approximation Architecture for LTI Filters 3.4 Zero-Forcing Equalization Mechanism 3.4.1 Single-Input Case 3.4.2 Multiple-Input Case 3.5 Application to Privacy-Preserving Estimation of Building Occupancy References 4 Differentially Private Filtering for Stationary Stochastic Collective Signals 4.1 Introduction 4.2 Linear Minimum Mean Square (Wiener) Smoothing and Filtering 4.3 Two-Stage Differentially Private LMMSE Estimators 4.3.1 Lower Bound on MSE for Diagonal Pre-filters 4.3.2 Pre- and Post-filter Design References 5 Differentially Private Kalman Filtering 5.1 Introduction 5.2 Differentially Private Kalman Filtering Problems 5.2.1 Individual Data Streams 5.2.2 Collective Data Streams 5.3 Input Perturbation Mechanisms 5.4 Output Perturbation Mechanisms for Time-Invariant Filters 5.4.1 Filter Redesign for Stable Systems 5.4.2 Unstable Systems 5.4.3 Post-filtering 5.4.4 Example 5.5 Optimization of Two-Stage Kalman Filtering Mechanisms: Static First Stage Aggregation References 6 Differentially Private Nonlinear Observers 6.1 Introduction 6.2 Differentially Private Observer Design 6.3 Input and Output Perturbation Mechanisms 6.4 Contracting Systems 6.4.1 Basic Results 6.4.2 Effect of Disturbances on Contractive Systems 6.5 Differentially Private Observers with Output Perturbation 6.6 Application Examples References 7 Conclusion Appendix A Discrete-Time Stochastic Signals Appendix B Proof of the Basic Composition Theorem Appendix Series Editor Biographies