基于差分隱私的回歸分析算法研究.pdf

1、隨著信息技術(shù)的不斷發(fā)展，海量數(shù)據(jù)的分析和發(fā)布等應(yīng)用引發(fā)了研究熱潮，回歸分析的實際應(yīng)用也越來越廣泛，目前面臨的重要挑戰(zhàn)是如何保護回歸模型參數(shù)的隱私數(shù)據(jù)，防止攻擊者根據(jù)模型參數(shù)推斷出敏感信息，造成敏感信息泄露。差分隱私作為一種新出現(xiàn)的隱私模型，不僅可以防止任意背景知識的攻擊，也可以在保護數(shù)據(jù)隱私的同時避免數(shù)據(jù)失真。針對直接發(fā)布回歸模型的模型參數(shù)，會導(dǎo)致數(shù)據(jù)集中的數(shù)據(jù)信息泄露問題，本文著重把差分隱私應(yīng)用于線性回歸模型和邏輯回歸模型的分析。研究

2、“基于差分隱私的回歸分析算法”，包括以下三個內(nèi)容：
　　1．闡述了傳統(tǒng)的隱私模型：k-anonymity、l-diversity。通過舉例說明這兩種模型特點及缺陷，引出?-差分隱私保護，并對差分隱私的噪聲機制、組合特性、保護框架和評價指標(biāo)進行了相關(guān)探討。
　　2．在研究線性回歸模型的差分隱私保護時，通常都存在加噪后的線性回歸模型敏感性偏大和噪聲偏大，造成線性回歸模型預(yù)測精度偏低問題。針對這個問題，本文提出了一種差異化的隱私預(yù)

3、算分配算法Diff_LR，該算法首先把目標(biāo)函數(shù)分解成兩個子函數(shù)，再分別計算兩個子函數(shù)的敏感性、分配合理的隱私預(yù)算,并采用拉普拉斯機制給兩個子函數(shù)系數(shù)添加噪音，然后對子函數(shù)進行組合，得到添加噪聲后的目標(biāo)函數(shù)，再求取最優(yōu)線性回歸模型參數(shù)。理論證明Diff_LR滿足?-差分隱私，通過實驗分析也可得出結(jié)論：相對于其他隱私保護算法，Diff-LR不僅降低了敏感性，減少噪音添加，也使線性回歸模型有更高的預(yù)測精度。
　　3．在研究邏輯回歸模型的

4、差分隱私保護時，針對預(yù)測精度偏低問題，本文提出了一種Diff_Gene算法。該算法結(jié)合遺傳算法原理，首先對若干候選參數(shù)的每一次迭代分配合理的、差異化的隱私預(yù)算，然后利用指數(shù)機制挑選top-k個較優(yōu)參數(shù)，比較這k個參數(shù)被輸出的概率，選擇被輸出概率最大的候選參數(shù)，通過不斷迭代，求出最優(yōu)邏輯回歸模型參數(shù)。實驗分析結(jié)果證明，Diff_Gene算法在模型預(yù)測精度方面比其他隱私保護算法具有更好的效果。
　　綜上所述，本文的主要貢獻在于對線性回