一种改进的基于奇异值分解的隐私保持分类挖掘方法  

An Improved Privacy-Preserving Classification Mining Method Based on Singular Value Decomposition

作　　者：李光[1] 王亚东[2] 

机构地区：[1]长安大学电子与控制工程学院,陕西西安710064 [2]哈尔滨工业大学计算机科学与技术学院,黑龙江哈尔滨150001

出　　处：《电子学报》2012年第4期739-744,共6页Acta Electronica Sinica

基　　金：国家863高技术研究发展计划(No.2007AA02Z329)

摘　　要：隐私保护是数据挖掘研究的重要内容之一,目前已经提出了大量隐私保持的数据挖掘算法.基于奇异值分解的方法是其中重要的一种,它是一种基于数据扰动的方法.现有的基于奇异值分解的隐私保持数据挖掘方法对所有样本和属性都进行同样强度的扰动.但不同的样本和属性可能对隐私保护有不同的要求,而且对数据挖掘的重要性也可能不同,因此最好可以对他们进行不同程度的扰动.本文对基于奇异值分解的数据扰动方法进行改进,使之可以对不同的样本和属性进行不同程度的扰动.并在此基础上提出了一种改进的隐私保持分类挖掘方法.实验表明,与原有的基于奇异值分解的方法相比,在保证数据可用性的前提下,本文方法可以对隐私数据提供更好的保护.Privacy protection is indispensable in data mining,and many PPDM（privacy-preserving data mining） methods have been proposed.One such method based on data perturbation is SVD（singular value decomposition）-based method,which treats all samples and attributes equally.However,different samples and attributes may have different requirements for privacy protection,and may be not equally important for data mining.So,it is better to treat them differently.This paper proposed an improved SVD-based perturbation method,which can perturb different samples and attributes to different degrees.In addition,this paper proposed an improved privacy-preserving classification mining method using this improved SVD-based perturbation algorithm.The experiments showed that while maintaining data utility,the proposed privacy-preserving classification mining method can protect privacy better than the original SVD-based method.

关 键 词：隐私保持 数据挖掘 奇异值分解 

分 类 号：TP309[自动化与计算机技术—计算机系统结构]