| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第一章 绪论 | 第8-14页 |
| 第1节 隐私保护数据发布的背景和意义 | 第8-9页 |
| 第2节 差分隐私的相关工作 | 第9-11页 |
| 第3节 本文的主要工作 | 第11-14页 |
| 第二章 递归机制：实现节点差分隐私与无约束Join | 第14-40页 |
| 第1节 引言 | 第14-16页 |
| 1.1 动机 | 第14-15页 |
| 1.2 主要贡献 | 第15-16页 |
| 第2节 预备知识 | 第16-20页 |
| 2.1 差分隐私的基本概念 | 第16-18页 |
| 2.2 可用性 | 第18页 |
| 2.3 全局敏感度 | 第18-19页 |
| 2.4 局部敏感度与平滑敏感度 | 第19页 |
| 2.5 K-关系表与c-表 | 第19-20页 |
| 第3节 问题形式化 | 第20-24页 |
| 3.1 敏感数据库与单调查询 | 第20-22页 |
| 3.2 敏感关系表上的线性查询 | 第22-24页 |
| 第4节 递归机制框架 | 第24-28页 |
| 4.1 基本框架 | 第24-27页 |
| 4.2 一个通用但不高效的实现 | 第27-28页 |
| 第5节 高效的递归机制 | 第28-34页 |
| 5.1 使用松弛法的递归机制 | 第28-31页 |
| 5.2 映射φ | 第31-33页 |
| 5.3 计算开销 | 第33-34页 |
| 第6节 实验评估 | 第34-38页 |
| 6.1 子图计数 | 第34-36页 |
| 6.2 处理K-关系表 | 第36-38页 |
| 第7节 结论 | 第38-40页 |
| 第三章 子敏感度机制：基于虚拟查询核的线性查询高效处理方法 | 第40-60页 |
| 第1节 引言 | 第40-42页 |
| 1.1 动机 | 第40-41页 |
| 1.2 研究路线 | 第41-42页 |
| 第2节 预备知识 | 第42-45页 |
| 2.1 差分隐私 | 第42-43页 |
| 2.2 关系与查询核 | 第43-44页 |
| 2.3 K-norm机制 | 第44-45页 |
| 第3节 子敏感度机制 | 第45-51页 |
| 3.1 概要 | 第45-46页 |
| 3.2 构造偏核 | 第46-48页 |
| 3.3 构造虚拟查询核 | 第48-51页 |
| 第4节 改进的子敏感度机制 | 第51-55页 |
| 4.1 构造一致的低维柱状图 | 第52-53页 |
| 4.2 在z和低维柱状图之间建立联系 | 第53-55页 |
| 第5节 实验评估 | 第55-58页 |
| 5.1 实验配置 | 第55-56页 |
| 5.2 实验结果与分析 | 第56-58页 |
| 第6节 结论 | 第58-60页 |
| 第四章 后处理技术：通过整合历史查询提高数据可用性 | 第60-84页 |
| 第1节 引言 | 第60-61页 |
| 第2节 符号与预备知识 | 第61-62页 |
| 第3节 主成分分析方法 | 第62-70页 |
| 3.1 Kernel PCA方法 | 第63-64页 |
| 3.2 计算核矩阵 | 第64-67页 |
| 3.3 在偏差和方差间进行权衡 | 第67-68页 |
| 3.4 引入关于数据分布的先验知识 | 第68页 |
| 3.5 选取恰当的α | 第68-70页 |
| 第4节 最大熵方法 | 第70-76页 |
| 4.1 目标函数 | 第70-74页 |
| 4.2 学习最大熵模型 | 第74-75页 |
| 4.3 引入先验分布po | 第75-76页 |
| 第5节 实验结果 | 第76-81页 |
| 5.1 整合查询结果和提高精度 | 第76-79页 |
| 5.2 数据发布 | 第79-81页 |
| 第6节 结论 | 第81-84页 |
| 第五章 总结与未来工作 | 第84-86页 |
| 参考文献 | 第86-92页 |
| 攻读博士期间完成的论文 | 第92-93页 |
