| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题背景和研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文各章节安排 | 第10-12页 |
| 第二章 隐私保护综述 | 第12-19页 |
| 2.1 隐私的基本概念 | 第12-13页 |
| 2.2 隐私保护技术的分类和评估 | 第13-15页 |
| 2.2.1 隐私保护技术的分类 | 第13-15页 |
| 2.2.2 隐私保护技术的评估 | 第15页 |
| 2.3 隐私保护方法的分类 | 第15-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 特征选择与集成学习概述 | 第19-30页 |
| 3.1 特征选择介绍 | 第19-21页 |
| 3.1.1 特征选择的基本概念 | 第19页 |
| 3.1.2 特征选择的过程 | 第19-21页 |
| 3.2 特征选择算法基本模型 | 第21-22页 |
| 3.2.1 过滤器模型 | 第21页 |
| 3.2.2 封装器模型 | 第21-22页 |
| 3.2.3 嵌入式模型 | 第22页 |
| 3.3 基于局部学习的特征权重算法 | 第22-24页 |
| 3.4 集成学习方法 | 第24-26页 |
| 3.5 分类器的获取和整合 | 第26-27页 |
| 3.5.1 基本分类器的获取 | 第26-27页 |
| 3.5.2 基分类器的整合 | 第27页 |
| 3.6 集成特征选择算法 | 第27-28页 |
| 3.7 基于局部学习的集成特征权重算法 | 第28-29页 |
| 3.8 本章小结 | 第29-30页 |
| 第四章 差分隐私特征选择方法 | 第30-47页 |
| 4.1 差分隐私特征选择 | 第30-32页 |
| 4.1.1 差分隐私基本概念 | 第30-31页 |
| 4.1.2 差分隐私模型 | 第31-32页 |
| 4.1.3 ε隐私度分析 | 第32页 |
| 4.2 基于Output Perturbation差分隐私特征选择 | 第32-36页 |
| 4.2.1 敏感度定义 | 第32-33页 |
| 4.2.2 FWELL算法的敏感度分析 | 第33-35页 |
| 4.2.3 基于Output Perturbation差分隐私特征选择算法设计 | 第35-36页 |
| 4.3 基于Output Perturbation差分隐私集成特征选择算法 | 第36-39页 |
| 4.3.1 先加隐私保护后集成算法 | 第37-38页 |
| 4.3.2 先集成后加隐私保护算法 | 第38-39页 |
| 4.4 仿真实验 | 第39-46页 |
| 4.4.1 ε隐私度实验 | 第39-42页 |
| 4.4.2 特征维数实验 | 第42-44页 |
| 4.4.3 集成实验 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于Objective Perturbation差分隐私特征选择算法 | 第47-56页 |
| 5.1 算法分析 | 第47-49页 |
| 5.2 仿真实验与分析 | 第49-55页 |
| 5.2.1 ε隐私度实验 | 第50-52页 |
| 5.2.2 特征维数实验 | 第52-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 本文的主要工作 | 第56-57页 |
| 6.2 进一步的研究工作 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第62-63页 |
| 致谢 | 第63页 |
