一种改进的基于奇异值分解的隐私保持分类挖掘方法

被引：16

作者：

李光 ^{[1
]}

王亚东 ^{[2
]}

机构：

[1] 长安大学电子与控制工程学院

[2] 哈尔滨工业大学计算机科学与技术学院

来源：

电子学报 | 2012年 / 40卷 / 04期

关键词：

隐私保持; 数据挖掘; 奇异值分解;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

隐私保护是数据挖掘研究的重要内容之一,目前已经提出了大量隐私保持的数据挖掘算法.基于奇异值分解的方法是其中重要的一种,它是一种基于数据扰动的方法.现有的基于奇异值分解的隐私保持数据挖掘方法对所有样本和属性都进行同样强度的扰动.但不同的样本和属性可能对隐私保护有不同的要求,而且对数据挖掘的重要性也可能不同,因此最好可以对他们进行不同程度的扰动.本文对基于奇异值分解的数据扰动方法进行改进,使之可以对不同的样本和属性进行不同程度的扰动.并在此基础上提出了一种改进的隐私保持分类挖掘方法.实验表明,与原有的基于奇异值分解的方法相比,在保证数据可用性的前提下,本文方法可以对隐私数据提供更好的保护.

引用

页码：739 / 744

页数：6

共 11 条

[1] 两方参与的隐私保护协同过滤推荐研究 [J].

张锋 ;

孙雪冬 ;

常会友 ;

赵淦森 .

电子学报, 2009, 37 (01) :84-89

[2] 数据表k-匿名化的微聚集算法研究 [J].

韩建民 ;

岑婷婷 ;

虞慧群 .

电子学报, 2008, (10) :2021-2029

[3] 基于最近邻规则的神经网络训练样本选择方法 [J].

郝红卫 ;

蒋蓉蓉 .

自动化学报, 2007, (12) :1247-1251

[4]

A novel data distortion approach via selective SSVD for privacy protection[J] . Jie Wang,Jun,Zhang,Shuting,Xu,Weijun,Zhong.Int. J. of Information and Computer Security . 2008 (1)

[5] Privacy preserving decision tree learning over multiple parties [J].