Differentially Private Na¨ıve Bayes Classification

已于 2022-02-22 10:35:13 修改
阅读量193 收藏
点赞数
分类专栏： 差分隐私 贝叶斯 文章标签： 机器学习 人工智能
于 2022-02-22 10:31:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/daxuan1881/article/details/123062356
版权

motivation：隐私和安全问题往往会阻止共享用户的数据，甚至从中获得的知识，从而阻止有价值的信息被利用。隐私保护知识如果做得正确，可以缓解这个问题。

methods：其基本思想是推导出分类器参数的灵敏度，并利用这些参数来添加拉普拉斯噪声，从而保证推导出的分类器是满足差分隐私的。

标称属性（nominal）：实物的名称某种类别，没顺序，计数：新增一条最多增加1​​​​​​​

数值属性：概率取决于均值和标准差，均值和方差可以用类j计算。所以需要推导出均值和标准差的敏感度。1.我们需要确定数据集的大小，因为平均值和标准差受到单个记录的影响的程度2.需要定义一个界限

计算敏感度：分类属性和数值属性（假设是正态或者高斯分布）

experiments：通过某种形式的网络匿名器，足以从提交者那里删除个人提交的身份

XueDaxuan
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【论文笔记13】Differentially Private Optimal Transport: Application to Domain Adaptation, IJCAI 2019
weixin_45632492的博客
04-10 422
目录导引系列传送AbstractReference 系列传送 【Active Learning】 【论文笔记01】Learning Loss for Active Learning, CVPR 2019 【论文笔记02】Active Learning For Convolutional Neural Networks: A Core-Set Approch, ICLR 2018 【论文笔记03】Variational Adversarial Active Learning, ICCV 2019 【论文笔记0
Differentially Private Spatial Decompositions
天下月色共三分的博客
02-12 121
论文
Differentially Private Deep Learning with Iterative Gradient Descent Optimization
daxuan1881的博客
04-27 488
motivation：梯度下降中不均衡的敏感度；不够紧的隐私界限。 methods：新的扰动梯度下降优化算法PIGDO，并证明该算法满足差分隐私；提出一种改进的MMA方法来进行隐私分析，与原始moment account方法相比，获得了更紧密的隐私损失约束。 1.本文提出了一种新的扰动迭代梯度下降优化(PIGDO)算法，该算法将梯度下降算法作为一个迭代分量，然后对迭代GDO计算的梯度进行梯度扰动，满足差分隐私。与之前针对每个梯度设计的噪声加法机制相比，我们的算法改进 从整体的角度验证了梯度的准确性，从而
论文周报——Sharing Graphs using Differentially Private Graph Models
进阶中的程序员吃吃的博客
07-26 644
针对这篇论文中的基于差分隐私的算法进行概括解析： |输入 输入为结点对格式，用一个整数代表一个结点。 例如下图，假如将A-F表示成1-6，则表示成节点对格式为： 1 2 2 3 3 4 4 5 4 6 |输出 输出和输入的格式相同，结果为经差分隐私处理后的结点对。   |算法解析 需求分析： 建立一个系统，通过将原始图G提取成图结构的统计表示，添加受控水平的“噪声”，...
隐私树：一个分层分解式的差分隐私算法（PrivTree: A Differentially Private Algorithm for Hierarchical Decompositions）的理解
kirito242的博客
08-10 2595
传统简单的隐私树是这样的： 假设D为数据集，D的size为12，然后我们要做计数查询f，为阈值，为隐私参数，h为最大树高，从根节点开始创建，如果当前节点的数量大于并且深度小于h，那么将会继续分叉一级，循环直到所有的节点都已经被访问过。按照算法1的流程，隐私树将是图一的形状。  然后查询q的时候会从根节点开始访问  如果当前节点v和q毫无交集，则抛弃；如果有交集并且当前节点不是叶节...
Differentially-Private-SGD
05-02
学士学位论文代码：具有差异性私人更新的随机梯度下降作者：Rayel Hardwarsing数据集BankNoteData.mat-钞票认证数据集KDDCUPX.mat / KDDCUPY.mat-KDDCup数据集mnist.mat-MNIST数据集careerData.mat-占用检测数据集...
Secure Spatial Query with Differentially Private Access Pattern
02-08
The spatial transformation mechanism (e.g., space-filling curves) enables the spatial query in the encypted spatial data stored on the third party service provider. Although this mechanism will not ...
Different strategies for differentially private histogram publication
01-20
Following the emergence and development of data analysis and increasing release demands, protecting the private data and preventing sensitive information from leakage has become one of the major chal
Differentially private model publishing in cyber physical systems
02-07
Differentially private model publishing in cyber physical systems
论文阅读：Differentially Private Access Patterns for Searchable Symmetric Encryption
c630843901的博客
12-23 740
文章目录研究贡献研究内容OSSE在SSE上做的改进Erasue CodingFunc APO总结 研究贡献 为一般的SSE方案的访问模式定义了d-private 提出了一种与现有的SSE方案兼容的d-private access-pattern混淆机制 实现了一个所提出的模糊机制的原型 研究内容 OSSE在SSE上做的改进 可搜索对称加密（SSE）介绍 SSE流程图 OSSE流程图 可以看到OSSE与SSE的区别在于 在进行安全索引构建和文件加密前，使用ErasueCode.Enc来混淆访问模式
Differentially Private Federated Learning: A Client Level Perspective
sleepinghm的博客
10-17 3943
介绍 我们的目标并不是只保护一个数据点。相反，我们希望确保一个学习模型不会显示客户是否参与了分散的培训。这意味着客户机的整个数据集受到保护，不受来自其他客户机的差异攻击。 我们的主要贡献:首先，我们展示了在联合学习中保持较高的模型性能时，客户机的参与是可以隐藏的。我们证明了我们提出的算法可以在模型性能损失很小的情况下实现客户级差异隐私。与此同时发表的一项独立研究[6]提出了一个类似的客户级dp程序...
【论文笔记09】Differentially Private Hypothesis Transfer Learning 差分隐私迁移学习模型, ECML&PKDD 2018
weixin_45632492的博客
04-03 603
目录导引系列传送Differentially Private Hypothesis Transfer Learning1 AbstractReference 系列传送 【Active Learning】 【论文笔记01】Learning Loss for Active Learning, CVPR 2019 【论文笔记02】Active Learning For Convolutional Neural Networks: A Core-Set Approch, ICLR 2018 【论文笔记03】Vari
论文解读《Differentially Private Label Protection in Split Learning》
wuxing610的博客
03-21 616
论文解读《Differentially Private Label Protection in Split Learning》 Threat Model 本文考虑的是Split Learning中的白盒攻击white box attack，黑盒攻击可以参考之前的解读。 白盒攻击：攻击者non-label party不仅可以得到label party传回来的梯度ggg，还可以得到label party模型的参数hhh。 基于上述假设，作者提出了一种最短距离攻击shortest distance attack
ML入门3.0 -- 手写朴素贝叶斯（Na ̈ıve Bayes）
weixin_39956363的博客
05-19 1241
ML入门3.0--手写朴素贝叶斯（Na ̈ıve Bayes）ML入门3.0 手写朴素贝叶斯（Na ̈ıve Bayes）朴素贝叶斯简介朴素贝叶斯原理算法思想贝叶斯公式拉普拉斯平滑应用举例：手写朴素贝叶斯分类：数据集函数运行结果完整代码+数据集算法优缺点 ML入门3.0 手写朴素贝叶斯（Na ̈ıve Bayes） 朴素贝叶斯简介 贝叶斯分类是一种基于概率框架下的分类算法的总称，核心采用贝叶斯公式解决分类问题，而朴素贝叶斯分类是贝叶斯分类中最简单的一种分类方法。 朴素贝叶斯自20世纪50年代已广泛研究。在
朴素贝叶斯（Naive Bayes）详解
热门推荐
weixin_60737527的博客
07-15 2万+
贝叶斯决策论、朴素贝叶斯原理与算法实现、具体应用。
数据挖掘十大算法之 naïve Bayes
Python 自习室
01-25 668
朴素贝叶斯法是基于贝叶斯定理和特征条件独立假设的分类方法。朴素贝叶斯法实现简单，学习与预测的效率都很高，被广泛应用于文本分类、垃圾邮件过滤、自然语言处理等场景。下面我们来介绍贝叶斯定理，在介绍贝叶斯定理之前，先介绍下条件概率和全概率公式。 条件概率 所谓条件概率，就是在事件 BBB 发生的条件下，事件 AAA 发生的概率，用 P(A∣B)P(A|B)P(A∣B) 来表示。在下面的文氏图中，定义了事件 AAA 和 BBB，以及他们的交集 A∩BA\cap BA∩B，A‾\overline AA 为 AAA 的
数据挖掘经典十大算法_NaiveBayes朴素贝叶斯
敷衍zgf的博客
08-22 1173
数据挖掘经典十大算法_NaiveBayes朴素贝叶斯
Three types of Naïve Bayes classifiers
新起点
09-29 253
There are three types of Naïve Bayes classifiers. When handling real-time data with continuous distribution, Naïve Bayes classifier considers that the big data is generated through a Gaussian process ...
Identify the differentially expressed mRNA and lncRNA by r 语言
最新发布
06-02
您好，您可以使用R语言中的一些生物信息学分析包来鉴定差异表达的mRNA和lncRNA。以下是一些常见的R包和方法： 1. edgeR：用于RNA-seq数据分析的R包，提供了基因表达量的计算、差异表达分析和结果可视化等功能。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值