统计与数据科学学院高楠 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统计与数据科学学院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，由统计与数据科学学院周兴才教授主持。
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。
