提出一种(γ,l-p,k)-匿名模型,模型引入了信息熵作为计算缺损数据的属性距离,通过敏感属性度高低分为不同的敏感级别,并设置相应的权重ω值,同时让等价类元组的不同敏感级别个数满足阈值γ。接着根据模型设计了加权信息熵匿名算法(Weigh...提出一种(γ,l-p,k)-匿名模型,模型引入了信息熵作为计算缺损数据的属性距离,通过敏感属性度高低分为不同的敏感级别,并设置相应的权重ω值,同时让等价类元组的不同敏感级别个数满足阈值γ。接着根据模型设计了加权信息熵匿名算法(Weighted Information Entropy Anonymous Algorithm based on Defect-Sensitive Attributes,WISA^(*))对缺损型数据集进行匿名化。实验结果表明,该算法不仅可以减少等价类信息损失,同时提高了敏感属性的多样性,从而降低了数据隐私泄露风险且复杂度较低。展开更多
在少样本学习场景中,模型无关的元学习(Model-Agnostic Meta-Learning,MAML)以其独立于特定基模型的灵活性和适用性而闻名.然而,MAML及其变体缺少对任务特定的特征(如特征通道)进行适应性调整,它们依赖全局初始参数,固定内环步数,训练...在少样本学习场景中,模型无关的元学习(Model-Agnostic Meta-Learning,MAML)以其独立于特定基模型的灵活性和适用性而闻名.然而,MAML及其变体缺少对任务特定的特征(如特征通道)进行适应性调整,它们依赖全局初始参数,固定内环步数,训练过程缺乏可解释性.本文提出一种使用逻辑回归和通道注意力的快速可解释且自适应的方法(Meta-Learning with Logistic Regression and Channel Attention,ML-LRCA),目标是通过适应性调整任务特定的通道权重和利用逻辑回归快速适应任务自适应损失函数来增强框架的自适应性和可解释性.在多个开源数据集上的实验结果表明,ML-LRCA方法有助于提升在少样本分类、少样本回归以及跨域学习等场景的性能.展开更多
文摘提出一种(γ,l-p,k)-匿名模型,模型引入了信息熵作为计算缺损数据的属性距离,通过敏感属性度高低分为不同的敏感级别,并设置相应的权重ω值,同时让等价类元组的不同敏感级别个数满足阈值γ。接着根据模型设计了加权信息熵匿名算法(Weighted Information Entropy Anonymous Algorithm based on Defect-Sensitive Attributes,WISA^(*))对缺损型数据集进行匿名化。实验结果表明,该算法不仅可以减少等价类信息损失,同时提高了敏感属性的多样性,从而降低了数据隐私泄露风险且复杂度较低。
基金The National Natural Science Foundation of China under Grant Nos.61702041,61602267,61202006,61202030(国家自然科学基金)the Guangxi Key Laboratory of Trusted Software under Grant Nos.kx201610,kx201532(广西可信软件重点实验室研究课题).
文摘在少样本学习场景中,模型无关的元学习(Model-Agnostic Meta-Learning,MAML)以其独立于特定基模型的灵活性和适用性而闻名.然而,MAML及其变体缺少对任务特定的特征(如特征通道)进行适应性调整,它们依赖全局初始参数,固定内环步数,训练过程缺乏可解释性.本文提出一种使用逻辑回归和通道注意力的快速可解释且自适应的方法(Meta-Learning with Logistic Regression and Channel Attention,ML-LRCA),目标是通过适应性调整任务特定的通道权重和利用逻辑回归快速适应任务自适应损失函数来增强框架的自适应性和可解释性.在多个开源数据集上的实验结果表明,ML-LRCA方法有助于提升在少样本分类、少样本回归以及跨域学习等场景的性能.
