资料下载
×
一种支持本地化差分隐私技术的聚类方案
消耗积分:0 |
格式:pdf |
大小:2.56 MB |
2021-04-13
分享资料个
如何在保护数据隐私的同时进行可用性的数据挖掘已成为热点问题。鉴于在很多实际应用场景中，很难找到一个真正可信的第三方对用户的敏感数据进行处理，文中首次提出了一种支持本地化差分隐私技术的聚类方案——LDPK- modes（ Local differential priⅳ vacy K- modes）。与传统的基于中心化差分隐私的聚类算法相比，其不再需要一个可信的第三方对数据进行收集和处理，而由用户担任数据隐私化的工作，极大地降低了第三方窃取用户隐私的可能性。用户使用满足本地d-隐私（带有距离度量的本地差分隐私技术）定义的随机响应机制对敏感数据进行扰动，第三方收集到用户扰动数据后，恢复其统计特生成合成数据集，并进行k- modes聚类。在聚类过程中，将数据集上频繁岀现的特征分配给初始聚类中心点，进一步提髙了聚类结果的可用性。理论分析和实验结果表明了LDPK- modes的隐私性和聚类可用性。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
