| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 第1章 绪论 | 第14-33页 |
| ·课题背景及意义 | 第14-15页 |
| ·国内外研究现状 | 第15-29页 |
| ·针对决策树的隐私保护方法 | 第18-22页 |
| ·针对贝叶斯分类器的隐私保护方法 | 第22-23页 |
| ·针对SVM 的隐私保护方法 | 第23-24页 |
| ·针对Boosting 的隐私保护方法 | 第24页 |
| ·针对k?近邻的隐私保护方法 | 第24-26页 |
| ·与分类算法无关的隐私保护方法 | 第26-28页 |
| ·分类挖掘中的隐私保护方法的评价标准 | 第28-29页 |
| ·本文主要研究内容 | 第29-33页 |
| 第2章 隐私保护的神经网络训练算法 | 第33-58页 |
| ·引言 | 第33-34页 |
| ·相关工作 | 第34-38页 |
| ·感知器网络的训练 | 第34-36页 |
| ·安全多方计算 | 第36-38页 |
| ·水平型分布式数据库上隐私保护的神经网络学习算法 | 第38-47页 |
| ·算法步骤 | 第38-44页 |
| ·算法分析及实验 | 第44-47页 |
| ·垂直型分布式数据库上隐私保护的神经网络学习算法 | 第47-57页 |
| ·算法步骤 | 第47-54页 |
| ·算法分析及实验 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第3章 基于k?匿名的DNA 序列隐私保护方法 | 第58-78页 |
| ·引言 | 第58-59页 |
| ·相关工作 | 第59-61页 |
| ·k?匿名 | 第59-60页 |
| ·基因数据的隐私保护 | 第60页 |
| ·序列比对 | 第60-61页 |
| ·DNALA 算法 | 第61-64页 |
| ·泛化与距离的定义 | 第61-63页 |
| ·距离矩阵计算 | 第63页 |
| ·聚类与泛化 | 第63-64页 |
| ·改进DNALA 算法的基本思想 | 第64-66页 |
| ·对于距离矩阵计算的改进 | 第66-68页 |
| ·对于聚类算法的改进 | 第68-72页 |
| ·基于最大权匹配的聚类算法 | 第69-70页 |
| ·在线聚类算法 | 第70-72页 |
| ·实验结果及分析 | 第72-77页 |
| ·实验数据及性能度量指标 | 第72页 |
| ·序列对齐方法的实验对比 | 第72-74页 |
| ·聚类方法的实验对比 | 第74-76页 |
| ·训练分类器的实验对比 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 第4章 对基于奇异值分解的隐私保护方法的改进 | 第78-96页 |
| ·引言 | 第78-80页 |
| ·相关工作 | 第80-81页 |
| ·基于奇异值分解的隐私保护方法 | 第80-81页 |
| ·独立成分分析 | 第81页 |
| ·结合样本与属性选择的基于奇异值分解的隐私保护方法 | 第81-83页 |
| ·基于加权奇异值分解的隐私保护方法 | 第83-87页 |
| ·基于奇异值分解和独立成分分析的隐私保护方法 | 第87-88页 |
| ·实验结果及分析 | 第88-95页 |
| ·实验数据 | 第88-89页 |
| ·可用性度量指标 | 第89页 |
| ·隐私性度量指标 | 第89-90页 |
| ·实验结果与分析 | 第90-95页 |
| ·本章小结 | 第95-96页 |
| 第5章 一种基于随机化的算法无关的隐私保护方法 | 第96-108页 |
| ·引言 | 第96-97页 |
| ·基于随机化的算法无关的隐私保护算法 | 第97-100页 |
| ·实验结果及分析 | 第100-106页 |
| ·本章小结 | 第106-108页 |
| 结论 | 第108-110页 |
| 参考文献 | 第110-120页 |
| 攻读博士学位期间发表的学术论文及其它成果 | 第120-122页 |
| 致谢 | 第122-123页 |
| 个人简历 | 第123页 |