m0_46983541的博客

    为应对机器学习中的隐私攻击，目前已有很多研究对机器学习中的隐私防御方案进行讨论,其中,主流的三大类技术分别是差分隐私、同态加密、安全多方计算。这里分别介绍这 3 种技术的基础定义、实现机制。1 差分隐私1.1 基础定义   差分隐私使得某一条数据是否在数据集中，几乎不影响算法的计算结果,其定义如下：   由于在数据采集过程中就存在用户隐私数据被窃取的风险，无需任何可信方的本地化差分隐私技术也逐步成为近年的研究热点。在本地化模型中，

现在流行的 MlaaS 一般包括机器学习模型训练和提供模型预测服务两个阶段.在这两个阶段,可能面临的典型隐私攻击主要有:模型逆向攻击、模型提取攻击和成员推断攻击.(1) 模型逆向攻击(model inversion attack)模型逆向攻击是指攻击者从模型预测结果中提取和训练数据有关的信息，这种攻击手段结合生成对抗网络后，尤为见效。Fredrikson 等人对基于线性回归算法的定制药物医疗系统实施了一种反向攻击，不仅泄露了病人的隐私，还可能导致药物的错误配置，从而危及患者生命.Fredrikson

一、算法原理基于物品的协同过滤推荐的原理和基于用户的原理类似，只是在计算邻居时采用物品本身，而不是从用户的角度，即基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好推荐相似的物品给他。从计算的角度看，就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度，得到物品的相似物品，根据用户历史的偏好预测当前用户还没有表示偏好的物品，计算得到一个排序的物品列表作为推荐。例如下图，用户A喜欢物品A和物品C，用户B喜欢物品A、物品B和物品C，用户C喜欢物品A，通过这些用户的喜好可以判定物品A和物品C

一、基于用户的协同过滤算法原理基于用户的协同过滤的基本思想相当简单，基于用户对物品的偏好找到邻居用户，然后将邻居用户喜欢的物品推荐给当前用户。计算上就是将一个用户对所有物品的偏好作为一个向量来计算用户之间的相似度，找到N个邻居后根据邻居的相似度权重以及他们对物品的偏好，预测当前用户没有偏好的未涉及物品，计算得到一个排序的物品列表作为推荐。例如下图，用户A喜欢物品A和物品C，用户C喜欢物品A、物品C和物品D，用户A和用户C具有相似的兴趣爱好，因此把物品D推荐给用户A。二、算法设计2.1 构建用户相关数

一、推荐系统的需求互联网的迅快速发展将人类带入了信息社会和网络经济时代，信息化影响到了生活的方方面面。但是随着互联网产业的扩大，为用户提供更多选择的同时也带来了筛选与推荐的难题。用户在面对大量的信息时无法从中迅速获得对自己真正有用的信息。传统的搜索系统需要用户提供明确需求，从用户提供的需求信息出发，继而给用户展现信息，无法针对不同用户的兴趣爱好提供相应的信息反馈服务。推荐系统相比于搜索系统，不需要提供明确需求，便可以为每个用户实现个性化推荐结果，让每个用户更便捷地获取信息。它是根据用户的兴趣特点和购买行为

一、推荐系统的概述个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。定义:它是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应

一、监督学习和非监督学习（1）、监督学习：之所以被称为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。（2）、无监督学习：与监督学习相对应的是无监督学习，此时数据没有类别信息，也不会给目标值。在无监督学习中，将数据集合分成类似的对象组成的多个类的过程成为聚类，将寻找描述数据统计值的过程称之为密度估计。二、如何选择合适的算法从上表所列的算法中选用实际可用的算法，必须考虑下面两个问题：（1）、使用机器学习算法的目的，想要算法完成何种任务；（2）、需要分析或收集的数据是什么。...

一、人工智能简介人工智能（英语：Artificial Intelligence，缩写为AI）亦称智械、机器智能，指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。AI的核心问题包括建构能够跟人类似甚至超卓的推理、知识、规划、学习、交流、感知、移物、使用工具和操控机械的能力等。当前有大量的工具应用了人工智能，其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学，以及基于概率论和经济学的算法等等也在逐步探索当中。 思维来源于大脑，而思维控制行为，行为需要意志