声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：张啸剑,陈莉,金凯忠,孟小峰,
关键词：高维数据, 差分隐私, Markov网, 联合树, 边缘分布,
基于差分隐私的数据发布已得到研究者的广泛关注.然而，现有的发布方法却不能有效地处理高维数据，其原因在于维度灾难和值域多样会引入极大的噪音值，进而使得发布结果的可用性比较低.基于此，提出一种基于联合树的隐私高维数据发布方法PrivHD(differentiallyprivatehighdimensionaldatarelease)，该方法通过指数机制构造Markov网，引入满足差分隐私的高通滤波技术缩减指数机制搜索空间.结合充分三角化操作和顶点消除操作对Markov网分割来获得完全团图，采用最大生成树方法生成满足差分隐私的联合树.利用联合树中各个团后置处理之后的联合分布表合成最终的高维数据.基于真实的高维数据集比较PrivHD算法与PrivBayes(privateBayesiannetwork)，JTree(junctiontree)算法的精度，实验结果表明：PrivHD算法的k-way查询和SVM(supportvectormachine)分类精度优于同类算法.
来源：2018年第12期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。