https://blog.qife122.com/tags/%E4%BF%A1%E6%81%AF%E8%AE%BA/ Recent content in 信息论 on 办公AI智能小助手 Hugo zh-cn qife Mon, 29 Sep 2025 20:46:26 +0800 https://blog.qife122.com/p/%E5%9F%BA%E4%BA%8E%E7%BB%8F%E9%AA%8C%E5%88%86%E5%B8%83%E7%9A%84%E9%9A%90%E7%A7%81%E6%9C%BA%E5%88%B6%E8%AE%BE%E8%AE%A1%E7%82%B9%E5%BC%8F%E6%9C%80%E5%A4%A7%E6%B3%84%E6%BC%8F%E4%B8%8E%E6%9C%BA%E5%88%B6%E4%BC%98%E5%8C%96/ Mon, 29 Sep 2025 20:46:26 +0800 https://blog.qife122.com/p/%E5%9F%BA%E4%BA%8E%E7%BB%8F%E9%AA%8C%E5%88%86%E5%B8%83%E7%9A%84%E9%9A%90%E7%A7%81%E6%9C%BA%E5%88%B6%E8%AE%BE%E8%AE%A1%E7%82%B9%E5%BC%8F%E6%9C%80%E5%A4%A7%E6%B3%84%E6%BC%8F%E4%B8%8E%E6%9C%BA%E5%88%B6%E4%BC%98%E5%8C%96/ <h2 id="隐私机制设计基于经验分布">隐私机制设计基于经验分布</h2> <p>点式最大泄漏（PML）是一种基于定量信息流威胁模型的逐结果隐私度量。PML的隐私保障依赖于对生成私有数据的分布的了解。在本工作中，我们提出了一个框架，用于通过对该数据生成分布的经验估计进行PML隐私评估和机制设计。通过扩展PML框架以考虑数据生成分布的集合，我们得出了给定集合内最坏情况泄漏的界限。我们利用这些界限以及文献中的大偏差界限，提供了一种方法，用于在数据生成分布从可用数据样本中估计时，获得分布无关的ε-PML保障。我们提供了一个最优二元机制，并表明在这种对数据生成分布不确定的情况下的机制设计可简化为线性约束凸规划问题。此外，我们展示了为分布估计设计的最优机制可以被使用。最后，我们将这些工具应用于二进制私有数据的拉普拉斯机制和高斯机制的泄漏评估，并通过数值表明，所提出的机制设计方法在保持类似隐私保障的同时，与本地差分隐私相比可以显著提高效用。</p> https://blog.qife122.com/p/%E9%AB%98%E6%95%88covid-19%E6%A3%80%E6%B5%8B%E4%B8%AD%E7%9A%84%E4%BF%A1%E6%81%AF%E8%AE%BA%E4%B8%8E%E5%88%86%E7%BB%84%E6%B5%8B%E8%AF%95%E6%8A%80%E6%9C%AF/ Sun, 21 Sep 2025 07:46:05 +0800 https://blog.qife122.com/p/%E9%AB%98%E6%95%88covid-19%E6%A3%80%E6%B5%8B%E4%B8%AD%E7%9A%84%E4%BF%A1%E6%81%AF%E8%AE%BA%E4%B8%8E%E5%88%86%E7%BB%84%E6%B5%8B%E8%AF%95%E6%8A%80%E6%9C%AF/ <h1 id="高效covid-19检测中的信息论与分组测试技术">高效COVID-19检测中的信息论与分组测试技术</h1> <p>在缺乏疫苗的情况下，大规模检测是控制COVID-19传播的重要措施。然而，检测试剂盒的有限可用性要求检测必须尽可能高效。最有效的检测协议是分组测试，即多个受试者的测试样本被一起检测。如果测试完全可靠，那么一个组的阴性测试结果可以立即排除所有成员。通过巧妙的组选择，该协议能够以比单独测试每个患者更少的测试次数锁定感染者。</p> https://blog.qife122.com/p/%E4%BF%A1%E6%81%AF%E8%AE%BA%E8%A7%86%E8%A7%92%E4%B8%8B%E7%9A%84%E5%8E%BB%E4%B8%AD%E5%BF%83%E5%8C%96%E5%AE%89%E5%85%A8%E8%81%9A%E5%90%88%E4%B8%8E%E6%8A%97%E5%85%B1%E8%B0%8B%E6%8A%80%E6%9C%AF/ Thu, 11 Sep 2025 20:03:06 +0800 https://blog.qife122.com/p/%E4%BF%A1%E6%81%AF%E8%AE%BA%E8%A7%86%E8%A7%92%E4%B8%8B%E7%9A%84%E5%8E%BB%E4%B8%AD%E5%BF%83%E5%8C%96%E5%AE%89%E5%85%A8%E8%81%9A%E5%90%88%E4%B8%8E%E6%8A%97%E5%85%B1%E8%B0%8B%E6%8A%80%E6%9C%AF/ <h1 id="信息论视角下的去中心化安全聚合与抗共谋性">信息论视角下的去中心化安全聚合与抗共谋性</h1> <p>在去中心化联邦学习（FL）中，多个客户端通过交互交换中间模型更新，利用分布在网络中的私有数据集协作学习共享机器学习（ML）模型。为确保数据安全，密码学技术通常用于在聚合过程中保护模型更新。尽管对安全聚合的兴趣日益增长，但现有工作主要关注协议设计和计算保证，对此类系统的基本信息论限制理解有限。此外，在无中央聚合器的去中心化设置中，通信和密钥使用的最优界限仍然未知。</p>