基于差分隱私的特征選擇研究.pdf

1、特征選擇是統(tǒng)計(jì)模式識別、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等領(lǐng)域的一個(gè)關(guān)鍵問題，是從一組特征中挑選出一些最有效的特征以降低特征空間維數(shù)的過程。特征選擇不僅能夠降低特征維數(shù)，同時(shí)還可以作為知識發(fā)現(xiàn)工具發(fā)現(xiàn)自然模型的真實(shí)變量。此外，隱私保護(hù)目前也是數(shù)據(jù)挖掘領(lǐng)域的研究熱點(diǎn)。在知識發(fā)現(xiàn)的過程中，如何保護(hù)個(gè)人的隱私信息已經(jīng)成為眾多學(xué)者所關(guān)心的問題。但當(dāng)前的隱私保護(hù)數(shù)據(jù)挖掘研究更多地關(guān)注隱私保護(hù)分類和回歸，缺少對隱私保護(hù)特征選擇的研究。
　　本文主要基于差分

2、隱私，研究了保護(hù)數(shù)據(jù)隱私的特征選擇方法。針對基于局部學(xué)習(xí)的特征權(quán)重算法，分別利用Output Perturbation和Objective Perturbation策略增加特征選擇算法的隱私保護(hù)性能，并從理論上分析算法的正確性以及通過實(shí)驗(yàn)驗(yàn)證算法的效用性。大量現(xiàn)實(shí)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，在相同環(huán)境下（數(shù)據(jù)集、實(shí)驗(yàn)參數(shù)、分類器等），基于 Objective Perturbation差分隱私特征選擇算法具有更好的隱私保護(hù)效果。
　　此外