| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 选题背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 第二章 隐私保护综述 | 第11-16页 |
| 2.1 隐私保护的简介 | 第11页 |
| 2.2 隐私数据的生命周期 | 第11-15页 |
| 2.2.1 数据发布 | 第12-14页 |
| 2.2.2 数据存储 | 第14-15页 |
| 2.2.3 数据挖掘 | 第15页 |
| 2.2.4 数据使用 | 第15页 |
| 2.3 本章小结 | 第15-16页 |
| 第三章 特征选择与集成学习综述 | 第16-26页 |
| 3.1 特征选择简介 | 第16-18页 |
| 3.1.1 特征选择的基本概念 | 第16-17页 |
| 3.1.2 特征选择的模型 | 第17-18页 |
| 3.1.3 特征选择的方法 | 第18页 |
| 3.2 集成学习简介 | 第18-22页 |
| 3.2.1 集成学习的基本概念 | 第18-19页 |
| 3.2.2 集成学习的发展 | 第19页 |
| 3.2.3 集成学习的过程 | 第19-21页 |
| 3.2.4 集成学习的应用 | 第21-22页 |
| 3.3 基于局部学习的特征选择算法 | 第22-24页 |
| 3.4 集成特征选择算法 | 第24-25页 |
| 3.5 本章小结 | 第25-26页 |
| 第四章 基于全局差分隐私特征选择算法 | 第26-53页 |
| 4.1 差分隐私的简介 | 第26-29页 |
| 4.1.1 差分隐私的概念 | 第26-28页 |
| 4.1.2 敏感度的概念 | 第28-29页 |
| 4.2 基于输出干扰策略的先集成后加隐私的特征选择算法 | 第29-38页 |
| 4.2.1 FELP算法模型 | 第29-32页 |
| 4.2.2 仿真实验 | 第32-38页 |
| 4.3 基于输出干扰策略的先加隐私后集成的特征选择算法 | 第38-45页 |
| 4.3.1 FPLE算法模型 | 第38-41页 |
| 4.3.2 仿真实验 | 第41-45页 |
| 4.4 基于目标干扰策略的集成特征选择算法 | 第45-52页 |
| 4.4.1 FWELL-ENOBJ算法模型 | 第45-48页 |
| 4.4.2 仿真实验 | 第48-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 基于局部差分隐私的特征选择算法 | 第53-65页 |
| 5.1 局部差分隐私算法 | 第53-57页 |
| 5.1.1 局部差分隐私算法的简介 | 第53-54页 |
| 5.1.2 局部差分隐私算法的模型 | 第54-57页 |
| 5.2 基于局部差分隐私的特征选择算法 | 第57-59页 |
| 5.3 仿真实验 | 第59-64页 |
| 5.3.1 隐私度实验 | 第60-62页 |
| 5.3.2 特征维数实验 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 本文总结 | 第65页 |
| 6.2 未来工作 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第72-73页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第73-74页 |
| 致谢 | 第74页 |