| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| Chapter 1 Introduction | 第16-26页 |
| 1.1 Background and Motivations | 第16-17页 |
| 1.2 Medical Data Overview | 第17页 |
| 1.3 Privacy Preserving of Distributed Data Mining | 第17-19页 |
| 1.4 Privacy Preserving Techniques | 第19-20页 |
| 1.4.1 Data Randomization Techniques | 第19页 |
| 1.4.2 Data Anonymization Techniques | 第19-20页 |
| 1.4.3 Data Encryption Techniques | 第20页 |
| 1.5 Missing Data Overview | 第20-22页 |
| 1.5.1 Missing Data Mechanisms | 第20-21页 |
| 1.5.2 Techniques for Dealing with Missing Data | 第21-22页 |
| 1.6 Multiple Imputation Overview | 第22-23页 |
| 1.7 Popular Privacy Preserving Distributed Data Mining Directions | 第23-24页 |
| 1.7.1 Original Data Modification | 第23-24页 |
| 1.7.2 Mining Results Modification | 第24页 |
| 1.7.3 Cryptographic Methods | 第24页 |
| 1.8 Dissertation Organization | 第24-26页 |
| Chapter 2 Related Work and Literature Review | 第26-40页 |
| 2.1 Introduction | 第26-27页 |
| 2.2 Cryptographic Methods for Privacy Preserving | 第27-30页 |
| 2.2.1 Secure Multiparty Computation | 第27-28页 |
| 2.2.2 Homomorphic Encryption | 第28-30页 |
| 2.3 Distributed Classification Algorithms | 第30-32页 |
| 2.3.1 Decision-Tree Algorithms | 第30页 |
| 2.3.2 k-Nearest Neighbors (KNN) Algorithm | 第30-32页 |
| 2.3.3 Support Vector Machine (SVM) Algorithm | 第32页 |
| 2.4 Privacy Preserving of Distributed SVM | 第32-35页 |
| 2.4.1 PPDSVM over Vertically Partitioned Data | 第33-34页 |
| 2.4.2 PPDSVM over Horizontally Partitioned Data | 第34-35页 |
| 2.5 Imputation Data Techniques | 第35-38页 |
| 2.5.1 Maximum Likelihood Techniques | 第36-37页 |
| 2.5.2 Multiple Imputation Techniques | 第37-38页 |
| 2.6 Limitations of PPDDM | 第38-39页 |
| 2.7 Summary | 第39-40页 |
| Chapter 3 Privacy Preserving in Distributed SVM Data Mining on Vertical Partitioned Data | 第40-55页 |
| 3.1 Introduction | 第40-42页 |
| 3.2 Related Work | 第42-43页 |
| 3.3 Preliminary | 第43-46页 |
| 3.3.1 SVM Overview | 第43-45页 |
| 3.3.2 Homomorphic Encryption | 第45-46页 |
| 3.4 Privacy Preserving of SVM over Vertical Partitioned Data | 第46-50页 |
| 3.4.1 Model Architecture | 第46-49页 |
| 3.4.2 Training Protocol | 第49-50页 |
| 3.5 Experiment and Discussion | 第50-54页 |
| 3.5.1 Experiment | 第50-53页 |
| 3.5.2 Discussion | 第53-54页 |
| 3.6 Summary | 第54-55页 |
| Chapter 4 Privacy-Preserving of SVM over Vertically Partitioned with Imputing Missing Data | 第55-76页 |
| 4.1 Introduction | 第55-57页 |
| 4.2 Related Works | 第57-59页 |
| 4.3 Preliminary | 第59-60页 |
| 4.3.1 Missing Data | 第59-60页 |
| 4.3.2 Paillier Cryptosystem | 第60页 |
| 4.4 Privacy-preserving of SVM over Vertically Partitioned with Imputing Data | 第60-66页 |
| 4.4.1 Multivariate Imputation via Chained Equations (MICE) | 第60-63页 |
| 4.4.2 Privacy Model Architecture | 第63-66页 |
| 4.5 Experiments and Discussion | 第66-75页 |
| 4.5.1 Experiments | 第66-69页 |
| 4.5.2 The Accuracy of our Protocol | 第69-70页 |
| 4.5.3 The Performance Analysis | 第70-73页 |
| 4.5.4 Discussion | 第73-75页 |
| 4.6 Summary | 第75-76页 |
| Chapter 5 Privacy-Preserving of Distributed SVM with Imputing Missing Data over Horizontally Partitioned Data | 第76-99页 |
| 5.1 Introduction | 第76-79页 |
| 5.2 Related work | 第79-80页 |
| 5.3 Preliminary | 第80-81页 |
| 5.3.1 Multiple Imputation Overview | 第80-81页 |
| 5.3.2 Paillier Cryptosystem Overview | 第81页 |
| 5.4 Framework of the Proposed Protocol | 第81-89页 |
| 5.4.1 Handling Missing Data | 第81-84页 |
| 5.4.2 Medium Layer: Privacy Preserving Data | 第84-88页 |
| 5.4.3 Top Layer: Building the Global SVM classifier Model | 第88-89页 |
| 5.5 Experiments and Discussion | 第89-98页 |
| 5.5.1 Datasets | 第89-90页 |
| 5.5.2 Effectiveness | 第90-91页 |
| 5.5.3 Accuracy | 第91-92页 |
| 5.5.4 Performance Analysis | 第92-98页 |
| 5.6 Summary | 第98-99页 |
| Chapter 6 Conclusion and Future Work | 第99-101页 |
| 6.1 Conclusions | 第99-100页 |
| 6.2 Future Work | 第100-101页 |
| Acknowledgements | 第101-102页 |
| References | 第102-111页 |
| Research Results Achieved During the Study for Doctoral Degree | 第111页 |
