多项式回归的差分隐私保护算法
2022-08-23谢雅琪
计算机技术与发展 2022年8期
关键词:实验
谢雅琪,杨 庚,2
(1.南京邮电大学 计算机学院,江苏 南京 210046;2.江苏省大数据安全与智能处理重点实验室,江苏 南京 210023)
0 引 言
多项式回归是利用数理统计中的回归分析,来确定两种或两种以上变量间相互依赖的非线性定量关系的一种统计分析方法,一般应用于数据属性之间的关联呈非线性的情况,拥有比线性回归更加广泛的应用场合,在数据挖掘领域中通常使用它对数据进行预测。
挖掘的数据集包含一些敏感属性,在数据挖掘过程和数据发布中,如不加保护会引起隐私泄露[1]。在回归分析中,常用的隐私保护算法有几种类型:匿名算法、数据加密和数据扰动[2]等。匿名算法中,k-匿名算法使用较为广泛;数据加密算法的研究中,常用的有同态加密[3]、安全多方计算[4]等;此外还有数据泛化[5]。
差分隐私(Differential Privacy,DP)[6]属于数据扰动算法,它以数学理论为支撑,为数据的隐私保护提供了有力手段[7]。DP通过对数据集或者查询函数添加噪声等方式实现隐私保护。DP最为基础的两个机制为拉普拉斯机制和指数机制[8],分别应用于查询函数的输出是数值型和非数值型的情况,该文涉及的机制都是拉普拉斯机制。
在面向回归分析的差分隐私算法研究中,通常对数据集或查询函数加噪声。前者如Lei[9]提出的DPME算法,后者如函数扰动机制[10]。添加噪声的过程中,可以选择是否对代价函数进行敏感度分析。不做敏感度分析的情况下,可能会引入不必要的噪声;如果进行敏感度分析……
登录APP查看全文
