【五期李伟平】CCF-A（USENIX Security'20）Secure Multi-party Computation of Differentially Private Median
本文提出了一个在安全多方计算下计算差分隐私中值的方法。理想算法通过将数据域划分为子数据域、选出最优子数据域并再次划分子数据域的方式实现基于数据域的次线性时间复杂度，且该方法可以扩展到任意百分位求值。通过证明可分解性实现数据的分布计算和噪声的分布生成。Jonas Böhler and Florian Kerschbaum. 2020. Secure Multi-party Computation of Differentially Private Median. In the Proceedings of the 29th USENIX Security Symposium, August 12–14, 2020.
本文的优点是1借助安全多方计算，不需要受信赖的第三方。2可以对少量用户（即小规模数据集）有较高精度。3在数据域上的时间复杂度是次线性，可以扩展到大数据域。
本文的问题是，数据域中的间隙（计数为0的元素），也需要以非零的概率输出以满足差分隐私，当间隙规模较大时影响算法准确性。
2023年1月13日
【推荐】国内首个AI IDE，深度理解中文开发场景，立即下载体验Trae
【推荐】编程新体验，更懂你的AI，立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包，你的智能百科全书，全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell：AI 加持，快人一步
· 单线程的Redis速度为什么快？
· 展开说说关于C#中ORM框架的用法！
· 阿里最新开源QwQ-32B，效果媲美deepseek-r1满血版，部署成本又又又降低了！
· Pantheons：用 TypeScript 打造主流大模型对话的一站式集成库
· SQL Server 2025 AI相关能力初探