인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
With the rise of real-time data collection through mobile devices such as smartphones, user-driven decision-making systems in various fields such as transportation and healthcare have advanced significantly. However, increasing concerns about the privacy of sensitive information have emerged, leading to the widespread use of differential privacy (DP) to mitigate these risks. Among DP-based data collection methods, local differential privacy (LDP) and distributed differential privacy (DDP) are prominent. While LDP provides low computational overhead, it compromises data utility, while DDP provides better utility at the cost of higher computational overhead. To address these limitations, this paper introduces a DP-compliant (θ, λ) data collection method. The proposed approach collects a fraction of λ of the total items and a fraction of θ of the total user data, achieving improved data utility compared to LDP while significantly reducing computational overhead compared to DDP, resulting in more efficient data collection. Experimental results on real-world datasets show that the proposed method not only improves data utility over LDP, but also effectively reduces computational overhead over DDP.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-092253596
