自适应K-Nets聚类的差分隐私保护方法
成果类型:: 发明专利
发布时间: 2024-01-04 08:47:19
本发明公开一种自适应K?Nets聚类的差分隐私保护方法,首先采用计算自然邻居的方式得到所有数据点的自然邻居,当所有数据点的自然邻居总数不变或者自然邻居数为0的个数不变时,得到的K值就是我们所需要的K近邻的参数。随后利用K?Nets的网络模型,计算数据点的KNN平均距离作为数据点的得分值,为了保护隐私,将得分值添加拉普拉斯噪声进行保护。之后对得分值排序选出密度从高到低的簇,依次判断找出自然形成的M个簇,对没有加入到M簇中的点判断是否是离群点,对不是离群点也没有加入簇中的点,遍历将这些点归入到离它最近的簇中。本发明能够有效保证数据的隐私不被泄露。
本发明所要解决的是现有K-Nets聚类模型运行期间所导致的K值参数对聚类结果影响较大的问题,提供一种自适应K-Nets聚类的差分隐私保护方法。为解决上述问题,本发明是通过以下技术方案实现的:自适应K-Nets聚类的差分隐私保护方法,包括步骤如下:步骤1、将原始数据集中的各个数据点都作为中心点,令K值从1开始逐渐累加,确定每个数据点的K近邻,并基于每个数据点的K近邻确定每个数据点的自然邻居;当所有数据点的自然邻居总数不变或者自然邻居数为0的个数不变时,取这时的K值作为最合适K值;步骤2、将原始数据集中的各个数据点都作为中心点,令K值为步骤1所确定的最合适K值,确定每个数据点的K近邻;计算每个数据点的得分值,并基于所分配的隐私预算对每个数据点的得分值进行拉普拉斯加噪,得到每个数据点的满足差分隐私得分值;步骤3、对步骤2所得到的数据点的满足差分隐私得分值进行升序排列;
自适应K-Nets聚类的差分隐私保护方法是一种基于机器学习的数据保护方法。它旨在通过对聚类算法进行改进,在保护数据隐私的同时保证聚类结果的准确性。这种方法的应用前景非常广阔,特别是在涉及敏感数据的场景中。以下是一些可能的应用领域:
医疗保健:在医疗保健领域,患者的健康数据通常是敏感的。自适应K-Nets聚类的差分隐私保护方法可以帮助医疗机构在保证患者隐私的前提下,对患者的数据进行聚类分析,从而更好地了解患者的健康状况,提供更准确的医疗服务。
金融服务:在金融服务领域,客户的金融数据也是敏感的。自适应K-Nets聚类的差分隐私保护方法可以帮助银行和金融机构对客户的数据进行聚类分析,从而更好地了解客户的金融行为和需求,提供更个性化的金融服务。
商业分析:在商业分析领域,企业通常需要对客户的数据进行聚类分析,以更好地了解客户的行为和需求。自适应K-Nets聚类的差分隐私保护方法可以帮助企业在保护客户隐私的同时,更好地进行数据分析,从而更好地制定营销策略和产品设计。
公共卫生:在公共卫生领域,政府和卫生机构需要对人们的健康数据进行聚类分析,以更好地了解疾病的传播和预防。自适应K-Nets聚类的差分隐私保护方法可以帮助政府和卫生机构在保护人们隐私的前提下,更好地进行数据分析,从而更好地预防和控制疾病的传播。
总的来说,自适应K-Nets聚类的差分隐私保护方法是一种非常有前途的数据保护方法,它可以帮助企业和机构在保护数据隐私的同时,更好地利用数据进行分析和决策。
广西师范大学地处世界级旅游城市、国家历史文化名城桂林,是国家教育部与广西壮族自治区人民政府共建高校,“中西部高校基础能力建设工程项目”高校,广西重点建设的“国内一流大学”高校,全国文明校园。有王城、育才、雁山3个校区,校园面积4100多亩,各类学生50000多人,各类教职工4000多人(含离退休人员)。学校已发展成为广西教师教育的“领头羊”、人文强桂的“主力军”、科技兴桂的“生力军”、广西国际教育的“排头兵”。目前,学校正全力推进“双一流”建设和综合改革,努力实现建设国际知名、教师教育特色鲜明的国内一流大学的目标。
1、当数据集中所有数据点的自然邻居总数不变或者自然邻居数为0的个数不变时,得到的K值就是我们所需要的K近邻的参数,这样的处理可以不用多次输入参数K来获得最佳的聚类结果,而我们通过程序的运行就可以得到最佳的K值;
2、在K-Nets的构建阶段中,通过计算数据点K近邻的得分,通过对计算的数据添加相应的拉普拉斯噪声,保证数据的隐私不被泄露;
3、在K-Nets的分配阶段对离群点进行检测,离群点检测,又称为异常检测,是找出其行为很不同于预期对象的过程、离群点检测在许多应用中都是重要的,如医疗处理、公共安全、工业损毁监测、图像处理、传感器、视频网络监视和入侵检测等,所以我们需要对异常的情况进行检测处理。
技术转让,许可,合作所需资金需双方协商,此项技术想尽快落地保定,希望具备此项技术研发的技术方,能够尽快承接此项目。