提供差分隐私保护的分类方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 差分隐私理论研究 | 第12-13页 |
| 1.2.2 差分隐私应用研究 | 第13-15页 |
| 1.3 分类方法存在的问题和不足 | 第15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 论文的组织 | 第16-18页 |
| 第2章 相关理论研究综述 | 第18-28页 |
| 2.1 分类方法 | 第18-22页 |
| 2.1.1 支持向量机分类方法 | 第18-20页 |
| 2.1.2 决策树分类方法 | 第20页 |
| 2.1.3 关联规则分类方法 | 第20-21页 |
| 2.1.4 K-近邻分类方法 | 第21页 |
| 2.1.5 贝叶斯分类方法 | 第21-22页 |
| 2.2 差分隐私保护模型 | 第22-24页 |
| 2.2.1 差分隐私拉普拉斯保护模型机制 | 第23-24页 |
| 2.2.2 差分隐私保护模型指数机制 | 第24页 |
| 2.3 分类方法与差分隐私保护模型的结合 | 第24-26页 |
| 2.3.1 提供差分隐私保护的决策树分类方法 | 第24-25页 |
| 2.3.2 提供差分隐私保护的逻辑回归分类方法 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 MDP-SVM分类方法 | 第28-44页 |
| 3.1 引言 | 第28-29页 |
| 3.2 实例分析 | 第29-31页 |
| 3.3 现有方法 | 第31-32页 |
| 3.4 MDP-SVM方法相关定义 | 第32-34页 |
| 3.5 MDP-SVM算法 | 第34-38页 |
| 3.6 MDP-SVM算法隐私性和可用性分析 | 第38-42页 |
| 3.7 本章小结 | 第42-44页 |
| 第4章 ODP-SVM分类方法 | 第44-54页 |
| 4.1 引言 | 第44页 |
| 4.2 实例分析 | 第44-45页 |
| 4.3 现有方法 | 第45-46页 |
| 4.4 ODP-SVM分类方法相关定义 | 第46-47页 |
| 4.5 ODP-SVM算法 | 第47-49页 |
| 4.6 ODP-SVM算法隐私性和可用性分析 | 第49-52页 |
| 4.7 本章小结 | 第52-54页 |
| 第5章 实验与结果分析 | 第54-64页 |
| 5.1 数据集及实验环境介绍 | 第54-55页 |
| 5.2 实验思想及评价标准 | 第55-56页 |
| 5.3 实验过程及结果分析 | 第56-62页 |
| 5.4 本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71页 |
