前言 **篇基础知识 第1章绪论2 11数据隐私的产生2 111社会发展视角下的隐私3 112数据发展视角下的隐私6 12数据隐私技术7 121模糊技术7 122扰动技术8 123加密技术9 124混合隐私技术10 125分布式计算框架11 126区块链技术12 127技术的比较12 13数据隐私面临的挑战13 131大数据隐私挑战13 132人工智能隐私挑战15 133数据治理挑战16 14小结18 参考文献19 第2章数据隐私的概念21 21引言21 22数据隐私的定义与特征22 221数据隐私的定义22 222数据隐私的基本特征22 223数据隐私和信息**的区别22 23数据隐私的分类24 231数据隐私的构成要素24 232显式隐私与隐式隐私24 233数据隐私保护场景26 24数据隐私的框架29 241隐私风险监测31 242隐私风险评估31 243隐私主动管理32 244隐私溯源问责32 245法律法规保障33 25小结34 参考文献34 第3章数据治理的概念36 31引言36 32数据治理��体系38 33数据治理的法律法规39 34数据治理的实践42 35小结43 参考文献43 第二篇大数据隐私保护技术 第4章差分隐私方法46 41基础知识46 411基本定义47 412基础性质48 413常用扰动机制50 414应用场景53 42面向数据发布的隐私保护53 421直方图数据发布54 422划分发布58 43面向数据分析的隐私保护61 431分类分析61 432频繁模式挖掘62 433回归分析63 44小结65 参考文献65 第5章本地化差分隐私方法68 51基础知识69 511基本定义69 512基础性质70 513常用扰动机制71 514应用场景72 52基于简单数据集的隐私保护74 521频率统计74 522均值统计75 53基于复杂数据集的隐私保护77 531键值对数据的收集与发布78 532图数据的收集与发布81 533时序数据的收集与发布84 54小结86 参考文献87 第6章差分隐私与实用性89 61引言90 62隐私放大理论与方法91 621基于二次采样的隐私放大方法91 622基于混洗的隐私放大方法93 623其他隐私放大方法95 63差分隐私与密码学方法的结合95 631密码学方法改进差分隐私效用95 632差分隐私改进密码学协议效率100 64一种隐私实用化框架103 641ESA框架与定义103 642ESA中的隐私放大107 643混洗差分隐私方法108 65小结111 参考文献111 第三篇人工智能隐私保护技术 第7章机器学习中的隐私保护116 71引言117 72机器学习的隐私保护119 721同态加密119 722差分隐私119 73统计学习的隐私保护120 74深度学习的隐私保护124 741隐私算法设计124 742隐私风险分析125 75小结127 参考文献127 第8章联邦学习中的隐私保护129 81引言129 82隐私保护的联邦学习架构133 83基于差分隐私的联邦学习135 84基于**聚合的联邦学习136 85个性化隐私保护与联邦学习138 851个性化隐私保护139 852个性化隐私保护的联邦学习141 86小结142 参考文献142 第四篇数据生态与数据治理 第9章数据要素市场146 91引言146 92数据交易148 921免费交易框架148 922付费交易框架149 923模型交易框架150 93数据流通152 94小结154 参考文献154 第10章数据垄断155 101引言155 102数据垄断现状157 1021定义与概念157 1022总体状况158 1023详情分析159 103数据垄断的成因与危害160 1031垄断成因160 1032垄断危害161 104数据垄断治理模式162 1041局部模式162 1042中介模式163 1043全局模式164 105小结165 参考文献165 第11章数据公平166 111引言166 112对公平的理解167 113公平计算方法168 1131蛋糕分割问题168 1132价格歧视问题169 1133算法偏见问题170 1134数据偏见问题171 114小结172 参考文献172 第12章数据透明174 121引言174 122数据透明的概念175 123数据透明框架176 124基于区块链的数据透明方案178 1241数据获取与共享透明179 1242数据云存储服务透明181 1243数据决策透明183 125小结184