| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 第一章 绪论 | 第10-22页 |
| ·引言 | 第10-11页 |
| ·基于启发式研究的技术 | 第11-14页 |
| ·基于混淆的保护隐私关联规则挖掘 | 第11-12页 |
| ·基于阻塞的保护隐私关联规则挖掘 | 第12-13页 |
| ·基于阻塞的保护隐私分类规则挖掘 | 第13-14页 |
| ·基于加密的技术 | 第14-18页 |
| ·异构分布保护隐私关联规则挖掘 | 第14-15页 |
| ·同构分布保护隐私关联规则挖掘 | 第15-16页 |
| ·异构分布保护隐私判定树归纳 | 第16页 |
| ·同构分布保护隐私判定树归纳 | 第16-17页 |
| ·保护隐私聚类 | 第17-18页 |
| ·异构分布贝叶斯网络学习 | 第18页 |
| ·基于重建的技术 | 第18-19页 |
| ·对数字型数据的重建技术 | 第18页 |
| ·对二进制数据和分类数据的重建技术 | 第18-19页 |
| ·课题背景与论文工作 | 第19-22页 |
| 第二章 学习贝叶斯网络结构和参数 | 第22-38页 |
| ·概述 | 第22-25页 |
| ·贝叶斯网络的发展历史 | 第22-23页 |
| ·贝叶斯方法的基本观点 | 第23-24页 |
| ·贝叶斯网络在数据挖掘中的应用 | 第24-25页 |
| ·贝叶斯网络及其构造 | 第25-27页 |
| ·贝叶斯网络 | 第26-27页 |
| ·贝叶斯网络构造 | 第27页 |
| ·完整数据条件下贝叶斯网络的参数学习 | 第27-29页 |
| ·MLE 方法 | 第28页 |
| ·Bayesian 方法 | 第28-29页 |
| ·完整数据条件下叶斯网络的结构学习 | 第29-33页 |
| ·基于打分搜索的结构学习方法 | 第30-33页 |
| ·基于相关性分析的结构学习方法 | 第33页 |
| ·不完整数据条件下贝叶斯网络的参数学习 | 第33-36页 |
| ·Monte-Carlo 方法 | 第34页 |
| ·Gaussian 逼近 | 第34-35页 |
| ·Laplace 近似 | 第35页 |
| ·EM 算法 | 第35-36页 |
| ·不完整数据条件下贝叶斯网络的结构学习 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第三章 安全多方计算 | 第38-55页 |
| ·引言 | 第38-42页 |
| ·安全多方计算 | 第38-40页 |
| ·安全计算协议 | 第40-41页 |
| ·对攻击者的分类和描述 | 第41页 |
| ·协议的安全性 | 第41-42页 |
| ·协议研究的地位及意义 | 第42页 |
| ·安全多方计算协议 | 第42-49页 |
| ·协议概述 | 第43-44页 |
| ·基于OT 的安全多方计算协议 | 第44页 |
| ·基于同态加密的安全多方计算协议 | 第44-45页 |
| ·基于Mix-Match 的安全多方计算协议 | 第45-48页 |
| ·基于VSS 子协议的安全多方计算协议 | 第48-49页 |
| ·保护隐私的四种有效算法 | 第49-54页 |
| ·安全和 | 第49-50页 |
| ·安全的集合并 | 第50-51页 |
| ·交集的安全基数 | 第51-52页 |
| ·向量点积 | 第52-54页 |
| ·本章小节 | 第54-55页 |
| 第四章 同构分布完整数据条件下保护隐私的贝叶斯网络学习 | 第55-76页 |
| ·引言 | 第55-62页 |
| ·贝叶斯网络与概率模型 | 第56-58页 |
| ·信息论概念 | 第58-59页 |
| ·学习贝叶斯网络结构方法比较 | 第59-60页 |
| ·基于相关性分析学习的贝叶斯网络 | 第60-62页 |
| ·安全多方计算算法 | 第62-64页 |
| ·安全事件统计 | 第62-63页 |
| ·安全矩阵求和 | 第63-64页 |
| ·安全多方计算协议 | 第64-67页 |
| ·有向边安全统计协议 | 第64-66页 |
| ·全局贝叶斯网络参数学习协议 | 第66-67页 |
| ·从多方完整数据条件下保护隐私地学习贝叶斯网络 | 第67-71页 |
| ·从多方完整数据条件下保护隐私地学习贝叶斯网络结构 | 第67-68页 |
| ·学习结构时评价函数选择的依据 | 第68页 |
| ·保护隐私地学习贝叶斯网络结构方法PPHC-BNS | 第68-70页 |
| ·结构已知的情况下学习参数 | 第70页 |
| ·PPHC-TPDA 方法 | 第70-71页 |
| ·实验验证 | 第71-75页 |
| ·本章小节 | 第75-76页 |
| 第五章 异构分布完整数据条件下保护隐私的贝叶斯网络学习 | 第76-97页 |
| ·引言 | 第76-77页 |
| ·基于k2 算法的保护隐私学习贝叶斯网络方法 | 第77-79页 |
| ·K2 算法 | 第77-78页 |
| ·保护隐私的K2 算法 | 第78-79页 |
| ·基于MDL 的异构下学习贝叶斯网络 | 第79-84页 |
| ·描述长度 | 第80-81页 |
| ·最小描述长度定理 | 第81-83页 |
| ·贝叶斯网络结构学习算法SMDL | 第83-84页 |
| ·保护隐私的多向量点积份额协议 | 第84-85页 |
| ·基于MDL 算法的保护隐私学习贝叶斯网络方法 | 第85-91页 |
| ·计算每个节点的数据描述长度 | 第86-87页 |
| ·计算参数 | 第87-88页 |
| ·PPVC-SMDL 方法 | 第88-90页 |
| ·方法效率 | 第90-91页 |
| ·保护隐私的安全计算 | 第91-92页 |
| ·精确度 | 第91页 |
| ·适应性 | 第91-92页 |
| ·安全性 | 第92页 |
| ·效率 | 第92页 |
| ·实验验证 | 第92-96页 |
| ·本章小结 | 第96-97页 |
| 第六章 同构分布不完整数据条件下保护隐私的贝叶斯网络学习 | 第97-111页 |
| ·研究背景 | 第97-98页 |
| ·集中学习AMS-EM 方法 | 第98-102页 |
| ·学习贝叶斯网络回顾 | 第99-100页 |
| ·理论基础 | 第100-101页 |
| ·集中学习贝叶斯网络的AMS-EM 方法 | 第101-102页 |
| ·分布学习 | 第102-106页 |
| ·学习结构时评价函数选择的依据 | 第103页 |
| ·多方保护隐私地学习贝叶斯网络结构 | 第103-104页 |
| ·总体方法PPHI-EM | 第104-106页 |
| ·不完整数据实验 | 第106-110页 |
| ·丢失数据 | 第106-108页 |
| ·隐藏变量 | 第108-110页 |
| ·本章小节 | 第110-111页 |
| 第七章 结论 | 第111-114页 |
| ·全文总结 | 第111-112页 |
| ·研究展望 | 第112-114页 |
| 参考文献 | 第114-125页 |
| 发表论文和科研情况说明 | 第125-126页 |
| 致谢 | 第126页 |
