联邦学习与差分隐私理论的区别联邦学习的特点使其可以被用来保护用户数据的隐私，但是它和大数据、数据挖掘领域中常用的隐私保护理论如差分隐私保护理论（DifferentiaIPrivacy）、K匿名（K-Anonymity

差分隐私代码实现系列（三）写在前面的话回顾kkk-匿名（kkk-Anonymity）检查kkk-匿名（Checkingforkkk-Anonymity）生成满足kkk-匿名的数据（GeneralizingDatatoSatisfykkk-Anonymity）数据越多泛化越好？（DoesMoreDataImproveGeneralization?）删除异常值（RemovingOutliers）总结写

k匿名（k-Anonymity）k匿名技术参考论文：L.Sweeney.Achievingk-anonymityprivacyprotectionusinggeneralizationandsuppression.InternationalJournalonUncertainty

前言：九月的最后一天开的这个深坑，可能会需要好几天才能弄清楚这个算法，如果有不对的地方欢迎批评指正，但是！千万不要喷我！我会生气！！！数据发布中隐私保护对象主要是用户敏感数据与个体身份之间的对应关系。通常使用删除标识符的方式发布数据是无法真正阻止隐私泄露的，攻击者可以通过链接攻击获取个体的隐私数据。链式攻击是指攻击者通过对发布的数据和其他渠道获取的外部数据进行链接操作，以推理出隐私数据，从而造成隐

前言本文介绍了学术界和工业界对于用户隐私保护的努力成果，其中主要讲到了k-anonymity（k-匿名化）,l-diversity（l-多样化）,t-closeness和ε-differentialprivacy

初识语义匿名模型1、k-anonymity（K-匿名算法）数据发布中隐私保护对象主要是用户敏感数据与个体身份之间的对应关系。

我们的大数据隐私保护系列文章的第一篇[1]和第二篇[2]主要讲解了k-anonymity(k-匿名化),l-diversity(l-多样化),t-closeness和ε-differentialprivacy

我们的第一篇文章[6]主要回顾了几种典型的保护隐私的方法和不足:k-anonymity(k-匿名化

我们的第一篇文章[6]主要回顾了几种典型的保护隐私的方法和不足:k-anonymity(k-匿名化

转自：http://www.freebuf.com/articles/database/146652.html本文介绍了学术界和工业界对于用户隐私保护的努力成果，其中主要讲到了k-anonymity（k