如需要完整文档点击下方 "点击下载文档" 按钮
面对海量数据,特征选择在数据挖掘和机器学习领域上通常是不可或缺的一步。 目前,机器学习安全领域受到了越来越多的关注,尤其是隐私保护方面。 然而,对于隐私保护的特征选择仍然是一个比较新的课题,特别是与集成学习相关的集成特征选择。 差分隐私是一种有着严格理论基础的隐私保护方法,因此提出了一种基于局部学习的差分隐私集成特征选择算法。 该算法的主要思想是基于一种输出干扰策略,即向输出结果添加噪声从而保护隐私,而且该噪声依赖于原始算法的隐私度和敏感度。 除了严格的理论证明之外,也从实验中展现了算法的性能。 实验采用 KNN 和 SVM 作为分类器,分别分析了隐私度和特征数量的影响。 结果显示随着隐私度的降低,提高了隐私保护程度。
如需要完整文档点击下方 "点击下载文档" 按钮
《基于局部学习的差分隐私集成特征选择算法》
将 完整文档 下载到本地,方便收藏和查阅
文件号:062778
点击下载文档