保护隐私的多标记分类方法
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 多标记学习 | 第11-13页 |
| 1.2.2 保护隐私的分类算法 | 第13-16页 |
| 1.3 本文的研究内容 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第二章 预备知识 | 第18-29页 |
| 2.1 多标记学习 | 第18-20页 |
| 2.1.1 问题描述 | 第18页 |
| 2.1.2 评价指标 | 第18-20页 |
| 2.2 ML-kNN | 第20-22页 |
| 2.3 Paillier同态加密系统 | 第22-23页 |
| 2.4 安全多方计算协议 | 第23-25页 |
| 2.4.1 安全点积协议 | 第23页 |
| 2.4.2 安全乘法协议 | 第23页 |
| 2.4.3 安全求kNN协议 | 第23-24页 |
| 2.4.4 安全求最小值协议 | 第24-25页 |
| 2.5 形式化安全和攻击者模型 | 第25-28页 |
| 2.6 小结 | 第28-29页 |
| 第三章 保护隐私的多标记分类方法 | 第29-44页 |
| 3.1 研究基础 | 第29页 |
| 3.2 问题的形式化描述 | 第29-30页 |
| 3.2.1 系统模型 | 第29-30页 |
| 3.2.2 设计目标 | 第30页 |
| 3.2.3 安全模型 | 第30页 |
| 3.3 保护隐私的多标记分类方法 | 第30-35页 |
| 3.3.1 安全计算样本之间的距离 | 第31-32页 |
| 3.3.2 安全找出样本t的kNN | 第32-33页 |
| 3.3.3 安全计算(?)_t(l) | 第33页 |
| 3.3.4 安全返还分类结果 | 第33-35页 |
| 3.4 分析 | 第35-39页 |
| 3.4.1 安全性分析 | 第35-38页 |
| 3.4.2 计算和通信复杂度分析 | 第38-39页 |
| 3.5 实验 | 第39-43页 |
| 3.5.1 基因功能预测数据集Yeast | 第39-40页 |
| 3.5.2 图像分类数据集Image | 第40页 |
| 3.5.3 音乐情绪分类数据集Emotions | 第40-41页 |
| 3.5.4 实验结果分析 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 云环境下保护隐私的多标记分类方法 | 第44-58页 |
| 4.1 研究基础 | 第44页 |
| 4.2 问题的形式化描述 | 第44-46页 |
| 4.2.1 系统模型 | 第44-45页 |
| 4.2.2 设计目标 | 第45页 |
| 4.2.3 安全模型 | 第45-46页 |
| 4.3 云环境下保护隐私的多标记分类方法 | 第46-51页 |
| 4.3.1 系统框架 | 第46页 |
| 4.3.2 安全训练阶段：建立多标记分类模型 | 第46-49页 |
| 4.3.3 安全分类阶段：对未分类样本进行分类 | 第49-51页 |
| 4.4 分析 | 第51-55页 |
| 4.4.1 安全性分析 | 第51-54页 |
| 4.4.2 计算和通信复杂度分析 | 第54-55页 |
| 4.5 实验 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 论文工作总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-67页 |
| 致谢 | 第67-68页 |
| 在学期间的研究成果及发表的学术论文 | 第68页 |
