保护隐私的贝叶斯网络学习研究

保护隐私的贝叶斯网络学习研究

论文摘要

互联网的飞速发展使得网络中数据的共享和交换行为出现得越来越频繁。一方面,政府部门、商务机构以及其他的一些组织希望能够充分地利用共享数据并从中受益;另一方面,隐私的存在及对隐私的保护性关注又在很大程度上限制了数据的共享范围。保护隐私的分布式数据挖掘由此应运而生。本文重点研究了保护隐私情况下的贝叶斯网络学习方法,并取得了如下成果:系统分析了已有的贝叶斯网络学习方法,并结合安全多方计算的概念、协议和常用算法,提出了从同构分布或异构分布的数据中,保护隐私地学习贝叶斯网络的结构和参数,为实现保护隐私的分布式数据挖掘提供了新思路。针对同构完整数据条件下保护隐私的贝叶斯网络学习,提出并实现了PPHC-TPDA方法。该方法使用相关性分析思路进行结构学习,按照有向边安全统计协议,统计各站点得到的结构边;然后取局部互信息算术平均值作为全局的互信息,并应用到学习过程中。实验结果验证了所提方法的性能和效率。针对异构完整数据条件下保护隐私的贝叶斯网络学习,提出并实现了PPVC-SMDL方法。该方法基于MDL算法的连续搜索版本,利用多向量点积份额协议计算多向量点积和结构熵,并将其应用到网络的构建过程中。在学习结构的同时,获得网络参数。与已有方案相比,该方法具有更高的安全性、精确性、适用性和学习效率。针对同构不完整数据条件下保护隐私的贝叶斯网络学习,提出并实现了基于EM算法框架的PPHI-EM方法。该方法交替进行当前候选模型的参数优化迭代和搜索模型的迭代,取局部打分函数值的权和作为全局打分函数值,并应用到网络的学习过程中。该方法能够在搜索结构的同时,最优化网络参数。实验结果验证了所提方法的性能和效率。

论文目录

  • 中文摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 引言
  • 1.2 基于启发式研究的技术
  • 1.2.1 基于混淆的保护隐私关联规则挖掘
  • 1.2.2 基于阻塞的保护隐私关联规则挖掘
  • 1.2.3 基于阻塞的保护隐私分类规则挖掘
  • 1.3 基于加密的技术
  • 1.3.1 异构分布保护隐私关联规则挖掘
  • 1.3.2 同构分布保护隐私关联规则挖掘
  • 1.3.3 异构分布保护隐私判定树归纳
  • 1.3.4 同构分布保护隐私判定树归纳
  • 1.3.5 保护隐私聚类
  • 1.3.6 异构分布贝叶斯网络学习
  • 1.4 基于重建的技术
  • 1.4.1 对数字型数据的重建技术
  • 1.4.2 对二进制数据和分类数据的重建技术
  • 1.5 课题背景与论文工作
  • 第二章 学习贝叶斯网络结构和参数
  • 2.1 概述
  • 2.1.1 贝叶斯网络的发展历史
  • 2.1.2 贝叶斯方法的基本观点
  • 2.1.3 贝叶斯网络在数据挖掘中的应用
  • 2.2 贝叶斯网络及其构造
  • 2.2.1 贝叶斯网络
  • 2.2.2 贝叶斯网络构造
  • 2.3 完整数据条件下贝叶斯网络的参数学习
  • 2.3.1 MLE 方法
  • 2.3.2 Bayesian 方法
  • 2.4 完整数据条件下叶斯网络的结构学习
  • 2.4.1 基于打分搜索的结构学习方法
  • 2.4.2 基于相关性分析的结构学习方法
  • 2.5 不完整数据条件下贝叶斯网络的参数学习
  • 2.5.1 Monte-Carlo 方法
  • 2.5.2 Gaussian 逼近
  • 2.5.3 Laplace 近似
  • 2.5.4 EM 算法
  • 2.6 不完整数据条件下贝叶斯网络的结构学习
  • 2.7 本章小结
  • 第三章 安全多方计算
  • 3.1 引言
  • 3.1.1 安全多方计算
  • 3.1.2 安全计算协议
  • 3.1.3 对攻击者的分类和描述
  • 3.1.4 协议的安全性
  • 3.1.5 协议研究的地位及意义
  • 3.2 安全多方计算协议
  • 3.2.1 协议概述
  • 3.2.2 基于OT 的安全多方计算协议
  • 3.2.3 基于同态加密的安全多方计算协议
  • 3.2.4 基于Mix-Match 的安全多方计算协议
  • 3.2.5 基于VSS 子协议的安全多方计算协议
  • 3.3 保护隐私的四种有效算法
  • 3.3.1 安全和
  • 3.3.2 安全的集合并
  • 3.3.3 交集的安全基数
  • 3.3.4 向量点积
  • 3.4 本章小节
  • 第四章 同构分布完整数据条件下保护隐私的贝叶斯网络学习
  • 4.1 引言
  • 4.1.1 贝叶斯网络与概率模型
  • 4.1.2 信息论概念
  • 4.1.3 学习贝叶斯网络结构方法比较
  • 4.1.4 基于相关性分析学习的贝叶斯网络
  • 4.2 安全多方计算算法
  • 4.2.1 安全事件统计
  • 4.2.2 安全矩阵求和
  • 4.3 安全多方计算协议
  • 4.3.1 有向边安全统计协议
  • 4.3.2 全局贝叶斯网络参数学习协议
  • 4.4 从多方完整数据条件下保护隐私地学习贝叶斯网络
  • 4.4.1 从多方完整数据条件下保护隐私地学习贝叶斯网络结构
  • 4.4.2 学习结构时评价函数选择的依据
  • 4.4.3 保护隐私地学习贝叶斯网络结构方法PPHC-BNS
  • 4.4.4 结构已知的情况下学习参数
  • 4.4.5 PPHC-TPDA 方法
  • 4.5 实验验证
  • 4.6 本章小节
  • 第五章 异构分布完整数据条件下保护隐私的贝叶斯网络学习
  • 5.1 引言
  • 5.2 基于k2 算法的保护隐私学习贝叶斯网络方法
  • 5.2.1 K2 算法
  • 5.2.2 保护隐私的K2 算法
  • 5.3 基于MDL 的异构下学习贝叶斯网络
  • 5.3.1 描述长度
  • 5.3.2 最小描述长度定理
  • 5.3.3 贝叶斯网络结构学习算法SMDL
  • 5.4 保护隐私的多向量点积份额协议
  • 5.5 基于MDL 算法的保护隐私学习贝叶斯网络方法
  • 5.5.1 计算每个节点的数据描述长度
  • 5.5.2 计算参数
  • 5.5.3 PPVC-SMDL 方法
  • 5.5.4 方法效率
  • 5.6 保护隐私的安全计算
  • 5.6.1 精确度
  • 5.6.2 适应性
  • 5.6.3 安全性
  • 5.6.4 效率
  • 5.7 实验验证
  • 5.8 本章小结
  • 第六章 同构分布不完整数据条件下保护隐私的贝叶斯网络学习
  • 6.1 研究背景
  • 6.2 集中学习AMS-EM 方法
  • 6.2.1 学习贝叶斯网络回顾
  • 6.2.2 理论基础
  • 6.2.3 集中学习贝叶斯网络的AMS-EM 方法
  • 6.3 分布学习
  • 6.3.1 学习结构时评价函数选择的依据
  • 6.3.2 多方保护隐私地学习贝叶斯网络结构
  • 6.3.3 总体方法PPHI-EM
  • 6.4 不完整数据实验
  • 6.4.1 丢失数据
  • 6.4.2 隐藏变量
  • 6.5 本章小节
  • 第七章 结论
  • 7.1 全文总结
  • 7.2 研究展望
  • 参考文献
  • 发表论文和科研情况说明
  • 致谢
  • 相关论文文献

    • [1].基于贝叶斯网络的交通拥堵实时预测[J]. 冶金管理 2019(21)
    • [2].贝叶斯网络在水利工程中的应用[J]. 东北水利水电 2020(04)
    • [3].基于贝叶斯网络的静态话题追踪模型[J]. 数据分析与知识发现 2020(Z1)
    • [4].一种新型动态贝叶斯网络分析方法[J]. 中国机械工程 2020(12)
    • [5].组合数据下贝叶斯网络构建算法研究[J]. 电子技术与软件工程 2020(09)
    • [6].基于贝叶斯网络的交通事故致因路径分析[J]. 智能城市 2020(17)
    • [7].基于贝叶斯网络的虚拟学习模块[J]. 计算机技术与发展 2020(08)
    • [8].有限总体中总体数量的贝叶斯预测(英文)[J]. 数学杂志 2018(05)
    • [9].贝叶斯网络在入侵检测中的应用[J]. 中国新通信 2017(09)
    • [10].基于贝叶斯网络的设备故障诊断方法研究[J]. 中国标准化 2017(14)
    • [11].基于贝叶斯网络的停车场主动引导算法研究[J]. 农机使用与维修 2017(10)
    • [12].基于分层动态贝叶斯网络的武器协同运用[J]. 舰船电子工程 2015(12)
    • [13].贝叶斯因果图的构建与应用[J]. 统计与决策 2016(07)
    • [14].基于信息融合的贝叶斯网络毁伤评估方法[J]. 四川兵工学报 2015(04)
    • [15].基于贝叶斯网络的地铁施工风险管理分析[J]. 四川建材 2015(03)
    • [16].贝叶斯网络和聚类分析在肾虚证中的比较研究[J]. 时珍国医国药 2015(06)
    • [17].基于贝叶斯网络的装甲目标战术企图推理模型构建[J]. 火力与指挥控制 2015(07)
    • [18].贝叶斯网络的构建过程[J]. 智富时代 2018(07)
    • [19].贝叶斯身世之谜——写在贝叶斯定理发表250周年之际[J]. 统计研究 2013(12)
    • [20].贝叶斯网络在中医药理论研究的现状及与超分子化学联合应用前景[J]. 湖南中医药大学学报 2019(11)
    • [21].基于贝叶斯优化的心脏病诊断模型[J]. 吕梁学院学报 2020(02)
    • [22].基于贝叶斯网络的大学学情分析研究[J]. 学校党建与思想教育 2020(09)
    • [23].基于贝叶斯粒子群算法的控制权重矩阵优化[J]. 机械制造与自动化 2020(03)
    • [24].基于树形贝叶斯网络的配电网快速灾情推断[J]. 电网技术 2020(06)
    • [25].基于自助法的高斯贝叶斯网结构学习[J]. 长春工业大学学报 2020(04)
    • [26].基于分布式贝叶斯网络的多故障诊断方法研究[J]. 现代电子技术 2017(01)
    • [27].一种基于贝叶斯网络的桥式起重机故障诊断方法[J]. 起重运输机械 2017(04)
    • [28].基于贝叶斯网络的海洋工程装备故障诊断模型[J]. 科技与企业 2016(06)
    • [29].基于云参数贝叶斯网络的威胁评估方法[J]. 计算机技术与发展 2016(06)
    • [30].基于分治策略的贝叶斯网学习方法及在图像分割中的应用[J]. 网络空间安全 2016(05)

    标签:;  ;  ;  ;  

    保护隐私的贝叶斯网络学习研究
    下载Doc文档

    猜你喜欢