| 中文摘要 | 第1-11页 |
| 英文摘要 | 第11-13页 |
| 第一章 前言 | 第13-19页 |
| ·模式挖掘 | 第14页 |
| ·特征选择 | 第14-15页 |
| ·相关聚类 | 第15-16页 |
| ·数据挖掘和隐私保护 | 第16-17页 |
| ·本文的主要贡献 | 第17页 |
| ·本文组织 | 第17-19页 |
| 第二章 信息距离及其应用 | 第19-42页 |
| ·相关工作 | 第20-21页 |
| ·信息距离 | 第21-25页 |
| ·信息距离 | 第23-25页 |
| ·应用一:依赖树 | 第25-29页 |
| ·Chow-Liu树 | 第25页 |
| ·低熵树 | 第25-27页 |
| ·使用信息距离的依赖树 | 第27-29页 |
| ·应用二:基于信息距离的特征选择 | 第29-34页 |
| ·特征选择 | 第29页 |
| ·几个相关性度量讨论 | 第29-32页 |
| ·基于信息距离的特征选择方法 | 第32页 |
| ·实验 | 第32-34页 |
| ·应用三:相关性模式挖掘 | 第34-41页 |
| ·全置信度定义 | 第35-36页 |
| ·信息相关模式 | 第36页 |
| ·信息相关模式挖掘算法 | 第36-38页 |
| ·实验 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 熵多样性模式和非冗余交互特征子集挖掘 | 第42-83页 |
| ·相关工作 | 第43-45页 |
| ·预备知识 | 第45-46页 |
| ·熵l-多样性模式挖掘 | 第46-59页 |
| ·问题定义 | 第46-47页 |
| ·熵多样性的几个性质 | 第47-50页 |
| ·项集联合熵之间的几个关系 | 第50-51页 |
| ·挖掘算法 | 第51-55页 |
| ·熵l-多样性模式挖掘实验 | 第55-59页 |
| ·非冗余多样性模式 | 第59-72页 |
| ·问题定义 | 第59-61页 |
| ·与多样性模式相关的性质 | 第61页 |
| ·联合熵界的新讨论 | 第61-63页 |
| ·对基于Hamming距离的界的改进 | 第63-65页 |
| ·挖掘算法 | 第65-67页 |
| ·实验 | 第67-72页 |
| ·非冗余交互特征子集 | 第72-81页 |
| ·问题定义 | 第72-74页 |
| ·新的基于特征对相关性的界 | 第74-76页 |
| ·新的基于互信息量的界 | 第76-78页 |
| ·NIFS挖掘算法 | 第78页 |
| ·性能评估 | 第78-81页 |
| ·本章小结 | 第81-83页 |
| 第四章 KLNCC:基于KL-Divergence的非线性相关聚类算法 | 第83-92页 |
| ·相关工作 | 第84-85页 |
| ·KLNCC算法 | 第85-89页 |
| ·高斯混合模型 | 第85-86页 |
| ·EM算法 | 第86-87页 |
| ·合并微簇 | 第87-88页 |
| ·时间复杂度分析 | 第88-89页 |
| ·实验 | 第89-91页 |
| ·本章小结 | 第91-92页 |
| 第五章 t-相近性隐私保护 | 第92-116页 |
| ·相关工作 | 第93-95页 |
| ·基本模型 | 第95-98页 |
| ·使用Hellinger距离的相近性 | 第98-105页 |
| ·Hellinger距离的性质 | 第98-101页 |
| ·使用Hellinger距离的t-相近性的性质 | 第101页 |
| ·具体的泛化算法 | 第101-102页 |
| ·实验 | 第102-105页 |
| ·语义隐私和使用KL-divergence的相近性 | 第105-115页 |
| ·语义隐私 | 第105-107页 |
| ·KL-divergence的性质 | 第107-110页 |
| ·使用KL-divergence的t-相近性的性质 | 第110-111页 |
| ·具体的泛化算法 | 第111-112页 |
| ·实验 | 第112-115页 |
| ·本章小结 | 第115-116页 |
| 第六章 总结和展望 | 第116-118页 |
| 参考文献 | 第118-129页 |
| 攻读博士期间完成的工作 | 第129-131页 |
| 致谢 | 第131-132页 |
