基于局部学习的差分隐私集成特征选择算法

• 作者: 刘中锋
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 特征选择 集成 差分隐私 隐私度 敏感度
• 年，卷（期）: 2018,（10）
• 所属期刊栏目: 安全与防范
• 页码范围: 79-82
• 页数: 4页
• 分类号: TP301.6
• 字数: 3568字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2018.10.016

摘要

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.