基于差分隐私的幂迭代聚类方法
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 第2章 相关理论与研究方法 | 第16-30页 |
| 2.1 隐私保护技术概述 | 第16-17页 |
| 2.2 传统隐私保护方法 | 第17-20页 |
| 2.2.1 k-anonymity | 第17-18页 |
| 2.2.2 l-diversity | 第18-20页 |
| 2.3 差分隐私技术 | 第20-26页 |
| 2.3.1 基本定义和相关概念 | 第20-22页 |
| 2.3.2 差分隐私实现机制 | 第22-24页 |
| 2.3.3 差分隐私的性质 | 第24-25页 |
| 2.3.4 差分隐私数据发布 | 第25-26页 |
| 2.4 基于差分隐私的K-means算法 | 第26-28页 |
| 2.4.1 K-means算法 | 第26-27页 |
| 2.4.2 DPK-means算法 | 第27-28页 |
| 2.4.3 IDPK-means算法 | 第28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 基于差分隐私的幂迭代聚类方法 | 第30-46页 |
| 3.1 幂迭代聚类方法 | 第30-35页 |
| 3.1.1 幂法 | 第30-32页 |
| 3.1.2 幂迭代聚类算法及其优势 | 第32-34页 |
| 3.1.3 幂迭代聚类算法的隐私泄露问题 | 第34-35页 |
| 3.2 基于差分隐私的幂迭代聚类方法 | 第35-44页 |
| 3.2.1 扰动特征向量 | 第35-37页 |
| 3.2.2 扰动聚类中心点 | 第37-39页 |
| 3.2.3 证明DPPIC满足差分隐私 | 第39-40页 |
| 3.2.4 DPPIC算法过程 | 第40-44页 |
| 3.3 本章小结 | 第44-46页 |
| 第4章 实验与结果分析 | 第46-54页 |
| 4.1 实验环境 | 第46页 |
| 4.2 实验数据集 | 第46-47页 |
| 4.3 评价指标 | 第47-48页 |
| 4.4 实验设计 | 第48-49页 |
| 4.5 实验分析 | 第49-53页 |
| 4.6 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |
