讲座题目

超越数值扰动：本地差分隐私下私有数据分析的三个维度

主办单位

计算机与数据科学学院

联合主办单位

讲座人

叶青青

讲座人
职称

副高

主持人

章静

讲座类型

自然科学

讲座对象

全校师生

时间

2026-11-07 08:30

地点

C4-308

讲
座
人
简
介

叶青青，香港理工大学副教授。她于2020年获得博士学位，同年加入香港理工大学。她的研究方向包括数据隐私与安全、对抗性机器学习。她在相关领域的顶级会议和期刊上发表论文100余篇，包括 IEEE S&P、ACM CCS、USENIX Security、NDSS、SIGMOD、VLDB、ICDE、ICML、NeurIPS、SIGKDD 和 WWW 等。她曾获多项重要奖项，包括香港研究资助局杰出青年学者奖（RGC Early Career Award）、香港理工大学研究资助成就奖（Research Grant Achievement Award）及 IEEE S&P Travel Award。她担任 VLDB、ICDE、ICML、NeurIPS、SIGKDD、WWW 和 AAAI 等顶级会议的领域主席和程序委员会委员。此外，她主持了多项科研项目，包括香港研究资助局项目、香港创新科技署项目和国家自然科学基金项目等。

讲座
主要内容

The growing collection and analysis of personal data create opportunities for knowledge discovery but also raise privacy concerns about the exposure and misuse of sensitive information. A central challenge is to enable useful analytics without requiring individuals to place complete trust in a data collector. Local differential privacy addresses this challenge by allowing individuals to randomize their data before sharing it, providing a principled foundation for privacy protection at the source. This talk explores three dimensions of data perturbation under this framework: value, time, and index. We will discuss how each dimension offers a distinct approach to privacy-preserving analytics and how the choice of what to perturb shapes the balance between privacy and utility. Moving beyond a value-centric view, the talk brings these approaches into a unified perspective and highlights the opportunities and challenges of tailoring perturbation mechanisms to different analytical needs. Together, the talk aims to broaden the design space for locally private data analytics, placing the question of “what to perturb” alongside “how much noise to add.” 个人数据的广泛收集与分析虽然为知识发现创造了机遇，但也引发了关于敏感信息泄露和滥用的隐私担忧。其中的核心挑战在于，如何在无需个人完全信任数据收集者的情况下，实现有用的数据分析。本地差分隐私（LDP）允许个人在共享数据之前先对数据进行随机化处理，从而在数据源头提供了原则性的隐私保护基础，有效地应对了这一挑战。 本次报告将探讨该框架下数据扰动的三个维度：数值（value）、时间（time）和索引（index）。我们将讨论每一个维度如何提供一种独特的隐私保护分析方法，以及选择“扰动什么”如何塑造隐私与效用之间的平衡。 本报告旨在超越以数值为中心的视角，将这些方法纳入统一的视野，并强调针对不同分析需求定制扰动机制所面临的机遇与挑战。总而言之，本次报告致力于拓宽本地私有数据分析的设计空间，将“扰动什么”这一问题的地位提升至与“添加多少噪声”同等重要。