一种改进的基于差分隐私的k-m eans聚类算法

• 作者: 初广辉 王晓利
• 来源期刊: 软件导刊
• 学科: 工学
• 关键词: 差分隐私 k-means聚类 隐私保护
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 算法与语言
• 页码范围: 71-74
• 页数: 4页
• 分类号: TP312
• 字数: 3418字
• 语种: 中文
• DOI: 10.11907/rjdk.191756

摘要

聚类分析是数据挖掘和机器学习的一个重要分支,应用范围广,但在聚类分析过程中大量敏感信息的泄露对用户构成威胁.因此,在聚类分析过程中实现隐私保护至关重要.传统基于差分隐私(DP)的k-means聚类算法由于存在盲目选择初始中心点、对异常点敏感度较高等问题,导致在保护数据隐私时,出现聚类可用性较低的情况.针对该问题提出一种改进的基于差分隐私保护的(IDP)k-means聚类算法以提高聚类可用性,并进行理论分析和对比实验.理论分析表明,该算法满足ε-差分隐私;仿真实验结果表明,在同一隐私预算下,k-means算法改进后在聚类可用性上优于其它差分隐私k-means聚类算法,在同一数据集与同一隐私参数下,改进k-means算法在数据可用性方面比传统算法提高了将近5个百分点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	初广辉	山东科技大学计算机科学与工程学院	3	4	1.0	2.0
2	王晓利	山东科技大学计算机科学与工程学院	2	4	1.0	2.0