一种改进的面向差分隐私保护的k-means聚类算法

摘要：

笔者介绍了差分隐私保护的研究背景、差分隐私保护的基本原理和方法,分析了k-means算法的隐私泄露问题.针对传统面向差分隐私保护k-means算法存在簇中心选取随机性导致聚类可用性较低的问题,提出一种指数加噪机制与密度估计相结合的方法,选取初始聚类中心,从而保证初始中心挑选的合理性,保障样本数据的隐私性.实验结果表明,提出的新方法可以显著提高聚类结果的可用性.

关键词：隐私保护、差分隐私、k-means、聚类算法

分类号：TP311.13(计算技术、计算机技术)

资助基金：国家自然科学基金61472131

在线出版日期：2019-11-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：49-52