| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究内容及面临的挑战 | 第12-14页 |
| 1.3 本文的贡献 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第2章 相关工作 | 第17-25页 |
| 2.1 分类器介绍 | 第17-19页 |
| 2.1.1 支持向量机 | 第17-18页 |
| 2.1.2 极限学习机 | 第18-19页 |
| 2.2 隐私保护技术介绍 | 第19-23页 |
| 2.2.1 k-匿名技术 | 第19-20页 |
| 2.2.2 数据扰动技术 | 第20-21页 |
| 2.2.3 差分隐私保护技术 | 第21-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第3章 背景知识和问题定义 | 第25-37页 |
| 3.1 支持向量机定义 | 第25-27页 |
| 3.2 极限学习机定义 | 第27-29页 |
| 3.3 k-匿名定义 | 第29-32页 |
| 3.4 数据扰动定义 | 第32-33页 |
| 3.5 差分隐私定义 | 第33-35页 |
| 3.6 问题定义 | 第35-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第4章 典型隐私保护分类器及分类器的隐私泄露 | 第37-49页 |
| 4.1 典型隐私保护分类器定义 | 第37-44页 |
| 4.1.1 支持k-匿名隐私保护的分类器 | 第37-39页 |
| 4.1.2 支持数据扰动隐私保护的分类器 | 第39-40页 |
| 4.1.3 支持差分隐私保护的支持向量机 | 第40-44页 |
| 4.2 隐私与隐私度量 | 第44-46页 |
| 4.2.1 隐私的定义 | 第44页 |
| 4.2.2 分类器的隐私泄露 | 第44-45页 |
| 4.2.3 隐私的度量 | 第45页 |
| 4.2.4 分类器隐私度量 | 第45-46页 |
| 4.3 支持典型隐私保护分类器的隐私泄露问题 | 第46-47页 |
| 4.4 支持差分隐私的支持向量机的问题 | 第47页 |
| 4.5 本章小结 | 第47-49页 |
| 第5章 支持差分隐私的极限学习机 | 第49-61页 |
| 5.1 极限学习机与经验风险最小化 | 第49-53页 |
| 5.1.1 极限学习机与支持向量机 | 第49-50页 |
| 5.1.2 极限学习机的经验风险最小化形式 | 第50-52页 |
| 5.1.3 支持差分隐私极限学习机的损失函数和规范化因子 | 第52-53页 |
| 5.2 支持基于输出扰动的差分隐私极限学习机 | 第53-55页 |
| 5.2.1 构造支持基于输出扰动的差分隐私极限学习机 | 第54-55页 |
| 5.2.2 隐私保护能力证明 | 第55页 |
| 5.3 支持基于目标扰动的差分隐私极限学习机 | 第55-59页 |
| 5.3.1 构造支持基于目标扰动的差分隐私极限学习机 | 第56-58页 |
| 5.3.2 隐私保护能力证明 | 第58-59页 |
| 5.4 本章小结 | 第59-61页 |
| 第6章 实验测试与结果分析 | 第61-73页 |
| 6.1 实验设置 | 第61-63页 |
| 6.2 极限学习机及其等价经验风险最小化形式对比分析 | 第63-64页 |
| 6.3 隐私保护能力对比分析 | 第64-67页 |
| 6.3.1 支持典型隐私保护分类器算法性能分析 | 第64-66页 |
| 6.3.2 支持差分隐私的分类器算法性能分析 | 第66-67页 |
| 6.4 执行效率对比及分析 | 第67-69页 |
| 6.4.1 支持差分隐私分类器的时间性能比较 | 第67-68页 |
| 6.4.2 实验结果分析 | 第68-69页 |
| 6.5 泛化性能对比及分析 | 第69-71页 |
| 6.5.1 支持差分隐私分类器算法泛化性能比较 | 第69-70页 |
| 6.5.2 实验结果分析 | 第70-71页 |
| 6.6 本章小结 | 第71-73页 |
| 第7章 结束语 | 第73-75页 |
| 7.1 结论 | 第73-74页 |
| 7.2 工作展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 攻硕期间参加的项目 | 第81页 |
