TY - A2的棕褐色,志远盟——太阳,Zhenlong盟——杨京盟-李,肖月盟——张Jianpei PY - 2021 DA - 2021/12/10 TI -不同私人内核支持向量机基于指数和拉普拉斯SP - 9506907混合动力机制六世- 2021 AB -支持向量机(svm)是最健壮的和准确的方法在所有著名的机器学习算法,特别是对分类。支持向量机训练分类模型通过求解一个优化问题来决定哪些实例在训练数据集的支持向量(sv)。然而,sv完好无损情况下采取直接从训练数据集和释放svm的分类模型将重要的个人隐私的风险,当训练数据集包含敏感信息。在本文中,我们研究的问题如何释放内核支持向量机分类模型的同时防止隐私泄露的sv和满足隐私保护的要求。我们提出一个新的不同私人内核支持向量机算法基于指数和拉普拉斯命名DPKSVMEL混合机制。DPKSVMEL算法相比有两个主要优势与现有私人支持向量机算法。一是保护隐私的sv后处理和非公有制内核支持向量机的训练过程不会改变。另一个原因是,评分函数值直接来源于对称内核生成矩阵在培训过程中,不需要额外的存储空间和复杂的敏感性分析。DPKSVMEL算法,我们定义一个相似参数之间的关联或距离来表示non-SVs, SV。然后,每个non-SV分为一组的sv根据相似的最大价值。 Under some certain similarity parameter value, we replace every SV with a mean value of the top-k randomly selected most similar non-SVs within the group by the exponential mechanism if the number of non-SVs is greater than k。否则,我们将随机噪声添加到拉普拉斯sv的机制。我们从理论上证明DPKSVMEL算法满足微分隐私。广泛的实验证明的有效性DPKSVMEL内核支持向量机算法在真实数据集;与此同时,它达到更高的分类精度比现有的私人SVM算法。SN - 1939 - 0114 UR - https://doi.org/10.1155/2021/9506907 - 10.1155 / 2021/9506907摩根富林明安全和通信网络PB - Hindawi KW - ER