amjs澳金沙门线路首页高楠 报道
7月4日上午9点，阿尔伯塔大学数学与统计科学系孔令龙教授应邀为amjs澳金沙门线路首页全体研究生及导师开展主题为“Identification, Amplification and Measurement: A bridge to Gaussian Differential Privacy”的学术讲座。讲座线上线下同时进行，由amjs澳金沙门线路首页周兴才教授主持。
孔令龙博士是阿尔伯塔大学数学与统计科学系的教授。他拥有加拿大统计学习研究主席、加拿大CIFAR人工智能主席以及阿尔伯塔省机器智能研究所（AMII）研究员。他的出版记录包括在AOS、JASA和JRSSB等顶级期刊以及NeurIPS、ICML、ICMM、AAAI和IJCAI等顶级会议上发表的80多篇同行评审文章。他对高维和神经成像数据的分析、统计机器学习、稳健统计和分位数回归以及用于智能健康的人工智能感兴趣。
在报告中，孔令龙教授首先指出在当今数据驱动的社会中，我们不可避免地面临着一系列与隐私有关的问题。随着数据的广泛使用，数据安全的重要性日益凸显，个人隐私问题备受关注。其次，孔令龙教授从车辆加速器的隐私泄露例子出发，通过监测加速器数据，个人的驾驶习惯、行车路线等敏感信息被潜在的利益相关者获取，来说明隐私数据泄露存在非常大的隐患。为了解决这一问题，孔令龙教授介绍了一种名为差分隐私（differential privacy）的概念。差分隐私旨在通过在数据处理过程中添加噪声，保护个人隐私，同时保持数据的有用性。而为了衡量隐私泄露的程度，与此同时，孔令龙教授有介绍了DP Contour的概念，它是一种度量隐私泄露程度的方法。然而，DP存在一些缺陷，因此提出了高斯差分隐私（GDP）, 提供了连贯的保证，以避免敏感的个人信息暴露。但往往无法利用这一新框架，因为它们的隐私保证是在不同的背景下得出的。孔令龙教授提出了一个简单的标准来识别具有GDP性质的算法，为GDP算法提出了一种有效的方法，以缩小最佳隐私测量的可能值。对于非GDP算法，提供了一个后处理程序，可以放大现有的隐私保证，以满足GDP条件。最后，孔令龙教授通过实验结果展示了模型的优越性。
互动环节中，周兴才教授、吕绍高教授以及研究生们与孔令龙教授就论文中涉及到的理论证明、隐私数据处理等问题展开讨论，并期望在以后能有更加深入的学习与交流。通过本次讲座，与会师生均表示受益良多，对于高斯差分隐私有了新的认知。
