期刊文献+
共找到69篇文章
< 1 2 4 >
每页显示 20 50 100
基于差分隐私k-means++的一种隐私预算分配方法
1
作者 晏玲 赵海良 《信息安全研究》 北大核心 2025年第8期710-717,共8页
针对传统差分隐私k-means++算法,常用的均分法分配隐私预算无法适应不同部位对隐私预算的不同需求,而二分法中隐私预算消耗过快会使得后期噪声过多,均会导致聚类效果不佳.为解决该问题,结合等差法和均分法提出了一种新的隐私预算分配方... 针对传统差分隐私k-means++算法,常用的均分法分配隐私预算无法适应不同部位对隐私预算的不同需求,而二分法中隐私预算消耗过快会使得后期噪声过多,均会导致聚类效果不佳.为解决该问题,结合等差法和均分法提出了一种新的隐私预算分配方法.在选取初始中心点时采用均分法分配隐私预算,更新中心点的过程结合最小隐私预算,前期采用等差法,后期采用均分法.该方法使得前期分配的隐私预算较大,保证了聚类中心不会发生严重形变,后期隐私预算的消耗速度适中,避免了加入过多噪声而影响聚类效果.一系列基于真实数据的实验结果表明,与原k-means++相比,最低误差仅有0.09%;与均分法和二分法相比,聚类准确率最高分别提升了14.9%和16.9%.由此可见该方法明显优于均分法和二分法,在一定程度上能够提升聚类结果的可用性和准确性. 展开更多
关键词 信息安全 数据挖掘 差分隐私保护 k-means++ 隐私预算分配
在线阅读 下载PDF
基于目标扰动的本地化差分隐私矩阵分解推荐算法 被引量:2
2
作者 王永 罗陈红 +1 位作者 邓江洲 高明星 《计算机学报》 北大核心 2025年第2期451-462,共12页
推荐系统作为有效应对信息过载的工具被广泛应用在电子商务、社交媒体和新闻资讯等领域中。矩阵分解具有泛化能力强和计算效率高的优点,是构建推荐系统的主流算法之一。为提高推荐质量,推荐服务器需要收集大量用户数据用于推荐模型的训... 推荐系统作为有效应对信息过载的工具被广泛应用在电子商务、社交媒体和新闻资讯等领域中。矩阵分解具有泛化能力强和计算效率高的优点,是构建推荐系统的主流算法之一。为提高推荐质量,推荐服务器需要收集大量用户数据用于推荐模型的训练。由于推荐服务器不是完全可信的,向服务器共享用户数据会对用户隐私构成极大的威胁。如何构建一个在保护用户隐私的同时,还能确保推荐质量和准确性的系统,成为了一个热门的研究话题。本地化差分隐私是一种分布式的隐私保护机制,它从中心化差分隐私中发展而来,旨在解决服务器不可信场景下的数据的安全收集和分析。这种框架通过精确的数学证明来确保隐私保护的强度。目前,已经有研究工作将本地化差分隐私引入推荐系统,目的是在推荐效果可接受的情况下,确保用户隐私数据的安全。然而,这些研究还面临一些挑战。首先,隐私保护的范围有限。目前的方法大多只关注显式数据的具体数值,认为这是用户的隐私信息。事实上,攻击者可以通过检查数据是否包含在数据集中,来推测用户的隐私信息。其次,推荐质量较低。本地化差分隐私通过引入扰动来保护用户隐私,但这种方法会导致扰动幅度过大和误差累积,进而影响推荐质量。在推荐服务器不可信场景下,本文提出一种基于本地化差分隐私的矩阵分解推荐算法。首先,该算法将评分数值和评分存在性同时作为隐私保护的对象,为用户提供全面的隐私保护。其次,本算法采用目标扰动方法,添加的噪声量不会随着迭代次数增加而增加,有效避免模型训练过程中噪声累积的问题,保证模型训练的有效性。最后,针对分布式场景下多轮迭代导致的中间参数泄露问题,以无放回方式将采样的模型梯度元素发送给推荐服务器,用于模型训练。本文从理论上证明了所提算法满足本地化差分隐私。对所提算法的效用分析证明本文算法在保证有效的推荐质量的同时,能够实现对用户隐私数据的保护。实验结果表明本文算法极大地提高了隐私保护推荐算法的性能,本文算法在公开数据集上的误差下降幅度平均可达18%,在推荐领域数据隐私保护中展现出良好的应用价值。 展开更多
关键词 矩阵分解 本地化差分隐私 目标扰动 推荐算法 隐私保护
在线阅读 下载PDF
自适应隐私预算分配的差分隐私Adam算法
3
作者 王鑫 董迪昊 +1 位作者 郭雅婷 吴浩宇 《计算机应用与软件》 北大核心 2025年第8期291-296,373,共7页
针对用户个人敏感数据用来构建深度学习模型时,一些敏感数据会被网络所“记忆”,造成隐私的泄露。该文根据SGD算法中引入差分隐私所设计的DP-SGD算法的思想,在Adam算法中引入差分隐私,提出一种基于幂函数的自适应隐私预算分配算法来更... 针对用户个人敏感数据用来构建深度学习模型时,一些敏感数据会被网络所“记忆”,造成隐私的泄露。该文根据SGD算法中引入差分隐私所设计的DP-SGD算法的思想,在Adam算法中引入差分隐私,提出一种基于幂函数的自适应隐私预算分配算法来更合理地分配隐私预算,更好地平衡隐私性和模型准确性,以此设计了DP-Adam。实验结果表明,该文的DP-Adam算法比传统的DP-SGD算法在相同隐私预算下,具有更好的准确性,低隐私预算情况下高出约5%,中高隐私预算情况下高出约2%;并且将幂函数分配算法与指数函数分配算法做比较,前者具有更好的适用性。 展开更多
关键词 差分隐私 深度学习 隐私保护 Adam算法 自适应隐私预算
在线阅读 下载PDF
基于差分隐私的K-means算法优化研究综述 被引量:11
4
作者 孔钰婷 谭富祥 +3 位作者 赵鑫 张正航 白璐 钱育蓉 《计算机科学》 CSCD 北大核心 2022年第2期162-173,共12页
差分隐私K-means算法(Differential Privacy K-means Algorithm,DP K-means)作为一种基于差分隐私技术的隐私保护数据挖掘(Privacy Preserving Data Mining,PPDM)模型,因简单高效且可保障数据的隐私而备受研究者的关注。文中首先阐述了... 差分隐私K-means算法(Differential Privacy K-means Algorithm,DP K-means)作为一种基于差分隐私技术的隐私保护数据挖掘(Privacy Preserving Data Mining,PPDM)模型,因简单高效且可保障数据的隐私而备受研究者的关注。文中首先阐述了差分隐私K-means算法的原理、隐私攻击模型,以分析算法的不足。然后从数据预处理、隐私预算分配、聚簇划分等3个角度讨论分析DP K-means算法改进研究的优缺点,并对研究中的相关数据集和通用评价指标进行了总结。最后指出DP K-means算法改进研究中亟待解决的挑战性问题,并展望了DP K-means算法的未来发展趋势。 展开更多
关键词 差分隐私k-means算法 差分隐私 隐私保护 隐私保护数据挖掘
在线阅读 下载PDF
一种基于改进差分进化的K-Means聚类算法研究 被引量:2
5
作者 刘红达 王福顺 +3 位作者 孙小华 张广辉 王斌 何振学 《现代电子技术》 北大核心 2024年第18期156-162,共7页
为改进传统K-Means聚类算法中因随机选取初始聚类中心而导致聚类结果不稳定且效率低的缺点,提出一种基于改进差分进化的K-Means聚类算法(AGDE-KM)。首先,设计自适应操作算子来提升算法前期的全局搜索能力和后期的收敛速度;其次,设计多... 为改进传统K-Means聚类算法中因随机选取初始聚类中心而导致聚类结果不稳定且效率低的缺点,提出一种基于改进差分进化的K-Means聚类算法(AGDE-KM)。首先,设计自适应操作算子来提升算法前期的全局搜索能力和后期的收敛速度;其次,设计多变异策略并引入权重系数,在算法的不同进化阶段发挥不同变异策略的优势,平衡算法的全局和局部搜索能力,加快算法的收敛速度;最后,提出一种基于当前种群最佳个体的高斯扰动交叉操作,为个体提供更优进化方向的同时保持种群在“维”上的多样性,避免算法陷入局部最优。将算法停止执行时输出的最优解作为初始聚类中心替代传统K-Means随机选取的聚类中心。将提出算法在UCI公共数据库中的Vowel、Iris、Glass数据集和合成数据集Jcdx上进行对比实验,误差平方和(SSE)相对于传统K-Means分别减小5.65%、19.59%、13.31%、6.1%,聚类时间分别减少83.03%、81.33%、77.47%、92.63%。实验结果表明,提出的改进算法具有更快的收敛速度和更好的寻优能力,显著提升了聚类的效果、效率和稳定性。 展开更多
关键词 k-means聚类算法 差分进化算法 多变异策略 高斯扰动 UCI数据库 聚类中心优化
在线阅读 下载PDF
Spark框架下支持差分隐私保护的K-means++聚类方法 被引量:5
6
作者 石江南 彭长根 谭伟杰 《信息安全研究》 CSCD 北大核心 2024年第8期712-718,共7页
针对差分隐私聚类算法在处理海量数据时其隐私性和可用性之间的矛盾,提出了一种分布式环境下支持差分隐私的K-means++聚类算法.该算法通过内存计算引擎Spark,创建弹性分布式数据集,利用转换算子及行动算子操作数据进行运算,并在选取初... 针对差分隐私聚类算法在处理海量数据时其隐私性和可用性之间的矛盾,提出了一种分布式环境下支持差分隐私的K-means++聚类算法.该算法通过内存计算引擎Spark,创建弹性分布式数据集,利用转换算子及行动算子操作数据进行运算,并在选取初始化中心点及迭代更新中心点的过程中,通过综合利用指数机制和拉普拉斯机制,以解决初始聚类中心敏感及隐私泄露问题,同时减少计算过程中对数据实施的扰动.根据差分隐私的特性,从理论角度对整个算法进行证明,以满足ε-差分隐私保护.实验结果证明了该方法在确保聚类结果可用性的前提下,具备出色的隐私保护能力和高效的运行效率. 展开更多
关键词 数据挖掘 聚类算法 差分隐私 Spark框架 指数机制
在线阅读 下载PDF
应用BWP指标的差分隐私保护k-means算法 被引量:6
7
作者 张亚玲 屈玲玉 《计算机工程与应用》 CSCD 北大核心 2022年第10期108-115,共8页
差分隐私是一种基于噪声扰动的隐私保护技术,针对差分隐私保护下噪声导致的聚类中心点偏移较大的问题,提出了一种基于BWP(between-within proportion)指标的差分隐私k-means算法。算法将聚类有效性评价指标BWP引入到隐私预算分配过程中... 差分隐私是一种基于噪声扰动的隐私保护技术,针对差分隐私保护下噪声导致的聚类中心点偏移较大的问题,提出了一种基于BWP(between-within proportion)指标的差分隐私k-means算法。算法将聚类有效性评价指标BWP引入到隐私预算分配过程中,对传统隐私预算分配进行加权处理,在一次迭代中为不同密度分布的簇分配不同的隐私预算,从而添加不同的随机噪声。理论分析表明新算法满足ε-差分隐私保护。基于四个标准数据集对新算法进行了实验,实验结果表明,在聚类结果的可用性以及算法的稳定性上新算法具有优势。 展开更多
关键词 聚类 k-means算法 BWP指标 差分隐私 隐私预算分配
在线阅读 下载PDF
基于拉普拉斯机制的差分隐私保护k-means++聚类算法研究 被引量:21
8
作者 傅彦铭 李振铎 《信息网络安全》 CSCD 北大核心 2019年第2期43-52,共10页
k-means++聚类算法是为了解决k-means聚类算法的准确度受其初始中心点选取的影响较大的问题而提出的,在聚类过程中,需要对相关的隐私数据提供保护。差分隐私模型定义了一种具有最大背景知识假设的攻击模型,并且能对隐私保护强度进行量... k-means++聚类算法是为了解决k-means聚类算法的准确度受其初始中心点选取的影响较大的问题而提出的,在聚类过程中,需要对相关的隐私数据提供保护。差分隐私模型定义了一种具有最大背景知识假设的攻击模型,并且能对隐私保护强度进行量化分析。文章提出一种基于拉普拉斯机制的差分隐私保护k-means++聚类算法(DPk-means++聚类算法),在初始化选取中心点和迭代求均值中心点的过程中,分别根据拉普拉斯机制添加噪声,解决了k-means++聚类算法随机选取初始化中心点隐私泄露的问题和迭代求簇心隐私泄露问题。通过实验分别对隐私预算动态变化对比及聚类准确性结果进行分析,DPk-means++聚类算法能够在隐私预算参数范围内且保证聚类准确性的前提下,实现对数据隐私提供不同级别的保护。 展开更多
关键词 差分隐私保护 拉普拉斯机制 k-means++ 聚类
在线阅读 下载PDF
基于距离与误差平方和的差分隐私K-means聚类算法 被引量:9
9
作者 黄保华 程琪 +1 位作者 袁鸿 黄丕荣 《信息网络安全》 CSCD 北大核心 2020年第10期34-40,共7页
K-means算法具有简单、快速、易于实现等优点,被广泛应用于数据挖掘领域,但在聚类过程中容易造成隐私泄露。差分隐私对隐私保护做了严格定义,且能够对隐私保护量化分析。为解决差分隐私保护中K-means聚类算法在初始中心点选择上具有盲... K-means算法具有简单、快速、易于实现等优点,被广泛应用于数据挖掘领域,但在聚类过程中容易造成隐私泄露。差分隐私对隐私保护做了严格定义,且能够对隐私保护量化分析。为解决差分隐私保护中K-means聚类算法在初始中心点选择上具有盲目性而造成聚类可用性低的问题,文章提出一种BDPK-means聚类算法,该算法利用距离与簇内误差平方和的方法选取合理的初始中心点进行聚类。理论分析证明,该算法满足ε-差分隐私。实验证明,相同条件下与现有DPK-means算法相比,BDPK-means算法可提高聚类的可用性。 展开更多
关键词 隐私保护 数据挖掘 差分隐私 k-means聚类 误差平方和
在线阅读 下载PDF
基于改进的k-means差分隐私保护方法在位置隐私保护中的应用 被引量:3
10
作者 齐晓娜 王佳 +3 位作者 徐东升 张宇敬 郭佳 刘阳 《河北大学学报(自然科学版)》 CAS 北大核心 2018年第3期315-320,共6页
针对k-means差分隐私聚类结果的可用性较差的问题,依据LBS的数据采集特点对k-means算法进行了改进.仿真实验证明:在LBS隐私保护方面,提出的改进k-means聚类方法在聚类结果的匿名性方面相对普通差分隐私k-means聚类方法有一定程度的提高.
关键词 k-means 聚类 差分隐私 位置隐私保护
在线阅读 下载PDF
基于相对熵和K-means的形状相似差分隐私轨迹保护机制 被引量:14
11
作者 朱素霞 刘抒伦 孙广路 《通信学报》 EI CSCD 北大核心 2021年第2期113-123,共11页
为解决绝大多数研究未充分考虑位置对隐私预算的敏感程度以及轨迹形状带来的影响,使发布的轨迹可用性较差的问题,提出了基于相对熵和K-means的形状相似差分隐私轨迹保护机制。首先,根据地理空间的拓扑关系,利用相对熵计算真实位置对隐... 为解决绝大多数研究未充分考虑位置对隐私预算的敏感程度以及轨迹形状带来的影响,使发布的轨迹可用性较差的问题,提出了基于相对熵和K-means的形状相似差分隐私轨迹保护机制。首先,根据地理空间的拓扑关系,利用相对熵计算真实位置对隐私预算的敏感程度,设计了位置敏感的隐私级别实时计算算法,并与差分隐私预算结合建立了一个新的隐私模型。其次,通过K-means算法对发布位置进行聚类,得到与真实位置方向最相似的发布位置集合,并引入Fréchet距离衡量发布轨迹与真实轨迹的相似性,提升发布轨迹的可用性。通过对真实数据集的实验表明,所提轨迹保护机制与其他方法相比在轨迹可用性方面有明显的优势。 展开更多
关键词 轨迹隐私 差分隐私 相对熵 k-means 形状相似性
在线阅读 下载PDF
改进萤火虫群算法协同差分隐私的干扰轨迹发布
12
作者 彭鹏 倪志伟 +1 位作者 朱旭辉 陈千 《计算机应用》 CSCD 北大核心 2024年第2期496-503,共8页
针对历史轨迹加噪发布干扰轨迹时数据集的冗余问题和轨迹形状相似带来的隐私泄露风险,提出轨迹数据先约简后泛化再进行差分隐私加噪的基于改进萤火虫群优化求解的干扰轨迹发布保护机制(IGSO-SDTP)。首先,基于位置显著点约简历史轨迹数据... 针对历史轨迹加噪发布干扰轨迹时数据集的冗余问题和轨迹形状相似带来的隐私泄露风险,提出轨迹数据先约简后泛化再进行差分隐私加噪的基于改进萤火虫群优化求解的干扰轨迹发布保护机制(IGSO-SDTP)。首先,基于位置显著点约简历史轨迹数据集;其次,结合k⁃匿名和差分隐私对简化后的轨迹数据集分别进行泛化和加噪;最后,设计了兼顾距离误差和轨迹相似性的加权距离,并以加权距离为评价指标,基于改进萤火虫群优化(IGSO)算法求解加权距离小的干扰轨迹。在多个数据集上的实验结果表明,与RD(Differential privacy for Raw trajectory data)、SDTP(Trajectory Protection of Simplification and Differential privacy)、LIC(Linear Index Clustering algorithm)、DPKTS(Differential Privacy based on K-means Trajectory shape Similarity)相比,IGSO-SDTP方法得到的加权距离分别降低了21.94%、9.15%、14.25%、10.55%,说明所提方法发布的干扰轨迹可用性和稳定性更好。 展开更多
关键词 干扰轨迹 差分隐私 改进萤火虫群优化算法 加权距离 显著点判断
在线阅读 下载PDF
差分隐私数字电网调度运行数据研究
13
作者 李世明 卢建刚 +3 位作者 郭文鑫 余志文 赵瑞锋 曾凯文 《电测与仪表》 北大核心 2025年第8期68-74,共7页
针对在电力调度运行数据上进行数据分析而带来的用户隐私泄露问题,文章提出一种满足差分隐私的用户用电模式分析方法。文章对原始时序数据进行K-means聚类分析,获得划分用户用电模式的最优个数。文中提出了一种满足差分隐私的聚类分析方... 针对在电力调度运行数据上进行数据分析而带来的用户隐私泄露问题,文章提出一种满足差分隐私的用户用电模式分析方法。文章对原始时序数据进行K-means聚类分析,获得划分用户用电模式的最优个数。文中提出了一种满足差分隐私的聚类分析方法,其在生成聚类簇和计算簇内质心时加入拉普拉斯噪声,之后再通过平滑函数对簇内质心数据进行降噪,提高数据可用性。在真实数据集REDD上进行算法测试。实验结果表明,该算法在分析电力调度运行数据的同时,既实现了隐私保护,又提高了隐私数据可用性。 展开更多
关键词 电力调度运行数据 差分隐私 k-means算法 数据中台
在线阅读 下载PDF
横向联邦学习中差分隐私聚类算法 被引量:1
14
作者 徐雪冉 杨庚 黄喻先 《计算机应用》 CSCD 北大核心 2024年第1期217-222,共6页
聚类分析能够挖掘出数据间隐藏的内在联系并对数据进行多指标划分,从而促进个性化和精细化运营。然而,数据孤岛造成的数据碎片化和孤立化严重影响了聚类分析的应用效果。为了解决数据孤岛问题的同时保护相关数据隐私,提出本地均分扰动联... 聚类分析能够挖掘出数据间隐藏的内在联系并对数据进行多指标划分,从而促进个性化和精细化运营。然而,数据孤岛造成的数据碎片化和孤立化严重影响了聚类分析的应用效果。为了解决数据孤岛问题的同时保护相关数据隐私,提出本地均分扰动联邦K-means算法(ELFedKmeans)。针对横向联邦学习模式,设计了一种基于网格的初始簇心选择方法和一种隐私预算分配方案。在ELFedKmeans算法中,各站点联合协商随机种子,以较小的通信代价生成相同的随机噪声,保护了本地数据的隐私。通过理论分析证明了该算法满足差分隐私保护,并将该算法与本地差分隐私K-means(LDPKmeans)算法和混合型隐私保护K-means(HPKmeans)算法在不同的数据集上进行了对比实验分析。实验结果表明,随着隐私预算不断增大,三个算法的F-measure值均逐渐升高;误差平方和(SSE)均逐渐减小。从整体上看,ELFedKmeans算法的F-measure值比LDPKmeans算法和HPKmeans算法分别高了1.7945%~57.0663%和21.2452%~132.0488%;ELFedKmeans算法的Log(SSE)值比LDPKmeans算法和HPKmeans算法分别减少了1.2042%~12.8946%和5.6175%~27.5752%。在相同的隐私预算下,ELFedKmeans算法在聚类质量和可用性指标上优于对比算法。 展开更多
关键词 横向联邦聚类 差分隐私 本地扰动 可用性 k-means算法
在线阅读 下载PDF
融合语义的个性化差分隐私轨迹发布方案
15
作者 张牙 刘凤春 +2 位作者 杨光辉 张春英 任静 《信息安全研究》 北大核心 2025年第7期670-679,共10页
轨迹数据库中包含大量用户的信息,直接将其发布可能会导致个人敏感信息的泄露.用户的位置语义信息中包含大量日常活动和访问偏好信息,现有个性化差分隐私轨迹发布方案对于位置点隐私级别的判定未考虑位置点间的语义信息,仍然存在隐私性... 轨迹数据库中包含大量用户的信息,直接将其发布可能会导致个人敏感信息的泄露.用户的位置语义信息中包含大量日常活动和访问偏好信息,现有个性化差分隐私轨迹发布方案对于位置点隐私级别的判定未考虑位置点间的语义信息,仍然存在隐私性和数据可用性之间的不平衡问题.为解决上述问题,提出一种融合语义的个性化差分隐私轨迹发布方案(PRTDP),根据用户自身轨迹的移动特性进行动态隐私级别判定.首先,提出敏感位置点判定算法.利用DBSCAN聚类算法得到用户敏感位置点.接着,提出一种个性化隐私级别划分算法.基于位置点间的语义信息构建敏感位置点关系有向图模型,设计改进的PageRank算法确定位置点的隐私级别,将相应隐私级别的拉普拉斯噪声加入轨迹数据中并发布.PRTDP方案能够有效地保护用户的敏感信息,并提高轨迹数据的可用性,实验证明该方案在隐私保护程度、可用性和时间效率3个方面优于现有方案NFRP算法和FPT算法. 展开更多
关键词 个性化差分隐私 轨迹隐私保护 PAGERANK算法 轨迹数据发布 隐私预算
在线阅读 下载PDF
面向Stacking算法的差分隐私保护研究 被引量:1
16
作者 董燕灵 张淑芬 +1 位作者 徐精诚 王豪石 《计算机工程与科学》 CSCD 北大核心 2024年第2期244-252,共9页
为解决同质集成学习算法对噪声更敏感,难以兼顾较好的预测性能和有效的隐私保护这一问题,提出一种基于差分隐私的DPStacking算法,将异质Stacking算法与差分隐私技术相结合,以优化算法的隐私保护和预测性能。但是,由于Stacking算法的低... 为解决同质集成学习算法对噪声更敏感,难以兼顾较好的预测性能和有效的隐私保护这一问题,提出一种基于差分隐私的DPStacking算法,将异质Stacking算法与差分隐私技术相结合,以优化算法的隐私保护和预测性能。但是,由于Stacking算法的低层和高层模型都可以由不同的学习器构成,若对某个具体学习器设计隐私预算分配方案来提供差分隐私保护,该方案往往无法适用于由任意基学习器和元学习构成的Stacking算法。基于此,设计了一种基于元学习器的隐私预算分配方案,此方案根据皮尔逊相关系数及差分隐私并行组合的特性为元学习器输入的不同构成体分配不同的隐私预算。通过理论与实验验证,DPStacking算法符合ε-差分隐私保护,与基于差分隐私的随机森林算法(DiffRFs)、Adaboost算法(DP-AdaBoost)、XGBoost算法(DPXGB)相比,能有效保护数据隐私的同时拥有更好的预测性能,并较好地解决了单一同质集成学习算法对噪声更加敏感的问题。 展开更多
关键词 差分隐私 隐私预算分配 Stacking算法 集成学习
在线阅读 下载PDF
一类自适应梯度裁剪的差分隐私随机梯度下降算法 被引量:1
17
作者 张家棋 李觉友 《运筹学学报(中英文)》 CSCD 北大核心 2024年第2期47-57,共11页
梯度裁剪是一种防止梯度爆炸的有效方法,但梯度裁剪参数的选取通常对训练模型的性能有较大的影响。为此,本文针对标准的差分隐私随机梯度下降算法进行改进。首先,提出一种自适应的梯度裁剪方法,即在传统裁剪方法基础上利用分位数和指数... 梯度裁剪是一种防止梯度爆炸的有效方法,但梯度裁剪参数的选取通常对训练模型的性能有较大的影响。为此,本文针对标准的差分隐私随机梯度下降算法进行改进。首先,提出一种自适应的梯度裁剪方法,即在传统裁剪方法基础上利用分位数和指数平均策略对梯度裁剪参数进行自适应动态调整,进而提出一类自适应梯度裁剪的差分隐私随机梯度下降算法。其次,在非凸目标函数的情况下对提出的自适应算法给出收敛性分析和隐私性分析。最后,在MNIST、Fasion-MNIST和IMDB数据集上进行数值仿真。其结果表明,与传统梯度裁剪算法相比,本文提出的自适应梯度裁剪算法显著提高了模型精度。 展开更多
关键词 随机梯度下降算法 差分隐私 梯度裁剪 自适应性
在线阅读 下载PDF
基于隐私保护的改进K-means算法
18
作者 王彩鑫 王丽丽 杨洪勇 《兵工自动化》 2023年第12期38-45,共8页
针对传统K-means聚类算法聚类过程以及聚类结果公示时可能出现隐私泄露的问题,提出具有差分隐私保护的改进K-means算法。在原有K-means基础上引入密度度量,提高簇类的类内相似性,保证选取的中心处于相对密集区域;引入距离度量,降低簇类... 针对传统K-means聚类算法聚类过程以及聚类结果公示时可能出现隐私泄露的问题,提出具有差分隐私保护的改进K-means算法。在原有K-means基础上引入密度度量,提高簇类的类内相似性,保证选取的中心处于相对密集区域;引入距离度量,降低簇类的类间相似性,保证不同类聚中心排斥性较高;引入类间平均最大相似度,动态规划最佳聚类个数K和最佳初始类内中心;引入了隐私保护拉普拉斯噪声,保护信息的安全性。实验结果表明,该算法比传统算法具有更高的聚类可用性和数据可靠性。 展开更多
关键词 差分隐私 k-means聚类 动态规划
在线阅读 下载PDF
基于混合相似度和差分隐私的协同过滤推荐算法 被引量:15
19
作者 张润莲 张瑞 +1 位作者 武小年 刘文芬 《计算机应用研究》 CSCD 北大核心 2021年第8期2334-2339,共6页
现有协同过滤推荐算法中,存在的评分片面、主观性强、评分矩阵稀疏性等因素影响了推荐的精确度,并在推荐中存在隐私泄露等问题。针对上述问题,提出一种基于混合相似度和差分隐私的协同过滤推荐算法。该算法基于多种相似度进行加权计算... 现有协同过滤推荐算法中,存在的评分片面、主观性强、评分矩阵稀疏性等因素影响了推荐的精确度,并在推荐中存在隐私泄露等问题。针对上述问题,提出一种基于混合相似度和差分隐私的协同过滤推荐算法。该算法基于多种相似度进行加权计算构造混合相似度,提高推荐精度;以混合相似度作为质心更新和分类条件,利用改进的K-means算法将与目标用户相似度高的用户进行聚类;采用枚举方法在目标用户集中划分子集,并基于混合相似度构建效用函数,利用差分隐私指数机制在各子集中选择邻居集合,保护用户隐私;最后在邻居集合中选择出评分值最高的项目进行推荐。实验结果表明,该算法在保护用户隐私的同时,有效提高了推荐的精确度。 展开更多
关键词 推荐系统 隐私保护 协同过滤算法 差分隐私 混合相似度
在线阅读 下载PDF
满足差分隐私保护的矩阵分解推荐算法 被引量:8
20
作者 王永 冉珣 +1 位作者 尹恩民 王利 《电子科技大学学报》 EI CAS CSCD 北大核心 2021年第3期405-413,共9页
协同过滤推荐算法在工作过程中需要分析和使用大量的用户数据,存在个人隐私泄露的安全隐患。现有的大多数在推荐系统中实施隐私保护的方法,容易引入过大噪声,导致推荐质量下降。针对此问题,该文提出一种满足差分隐私保护的矩阵分解推荐... 协同过滤推荐算法在工作过程中需要分析和使用大量的用户数据,存在个人隐私泄露的安全隐患。现有的大多数在推荐系统中实施隐私保护的方法,容易引入过大噪声,导致推荐质量下降。针对此问题,该文提出一种满足差分隐私保护的矩阵分解推荐算法。该算法首先将矩阵分解问题转化为两个交替进行的用户隐因子和项目隐因子优化问题,然后采用遗传算法对这两个优化问题进行求解。将增强指数机制融入到遗传算法的个体选择中,并基于寻找重要隐因子的思想设计了遗传算法的变异过程。理论分析和实验结果显示,该算法可以为用户数据提供良好的差分隐私保护,同时有效保证了推荐的准确性,在推荐系统中具有良好的应用价值。 展开更多
关键词 协同过滤 差分隐私 遗传算法 矩阵分解
在线阅读 下载PDF
上一页 1 2 4 下一页 到第
使用帮助 返回顶部