基于局部学习的差分隐私集成特征选择算法

作     者：刘中锋 LIU Zhong-feng

作者机构：南京邮电大学计算机学院、软件学院、网络空间安全学院江苏南京210000 

出 版 物：《计算机技术与发展》 (Computer Technology and Development)

年 卷 期：2018年第28卷第10期

页      面：79-82页

学科分类：08[工学] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61603197,91646116) 江苏省自然科学基金(BK20140885) 

主　　题：特征选择 集成 差分隐私 隐私度 敏感度 

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。