Key points are not available for this paper at this time.
여유 테이블은 속성 집합 간의 상관관계를 캡처하는 데 중요한 역할을 합니다. 우리는 신뢰할 수 있는 제3자에 의존하지 않고 개별 사용자의 프라이버시를 보호하는 프라이버시 개념인 지역적 차별적 프라이버시(LDP)를 만족하면서 사용자의 다차원 데이터 집합을 고려하여 여유 테이블을 구성하는 문제를 다룹니다. 이 문제에 대한 기존 연구들은 높은 차원 설정에서 성과가 좋지 않으며, 심지어 일부는 매우 비싼 계산 오버헤드를 발생시킵니다. 본 논문에서는 신중한 도전 분석을 활용하고 기존 방법보다 일관되게 우수한 성능을 발휘하는 CALM, 일관된 적응형 지역 여유를 제안합니다. 더 중요하게도, CALM은 큰 데이터 차원과 여유 크기에서도 잘 확장됩니다. 우리는 여러 실제 데이터셋에 대한 광범위한 실험을 수행했습니다. 실험 결과는 기존 방법에 비해 CALM의 효과성과 효율성을 입증합니다.
Zhang et al. (Mon,)은 이 질문을 연구했습니다.