Resumen

En este trabajo, damos un algoritmo EM de gradiente modificado; puede proteger la privacidad de los datos sensibles añadiendo ruido de mecanismo gaussiano discreto. Específicamente, hace que los datos de alta dimensión sean más fáciles de procesar, principalmente mediante pasos de escalado, truncamiento, multiplicación de ruido y suavizado de los datos. Dado que la varianza de la gaussiana discreta es menor que la de la gaussiana continua, la privacidad de la diferencia de los datos puede garantizarse más eficazmente añadiendo el ruido del mecanismo gaussiano discreto. Por último, el algoritmo EM de gradiente estándar, el algoritmo recortado y nuestro algoritmo (DG-EM) se comparan con el modelo GMM. Los experimentos muestran que nuestro algoritmo puede proteger eficazmente los datos sensibles de alta dimensión.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:algoritmo de gradiente em, mecanismo gaussiano discreto, gradiente em estándar, privacidad de los datos, algoritmo, datos sensibles dimensionales, gradiente em modificado, mecanismo gaussiano ruido, datos sensibles, datos dimensionales
• Keywords:gradient em algorithm, discrete gaussian mechanism, standard gradient em, privacy of data, algorithm, dimensional sensitive data, modified gradient em, gaussian mechanism noise, sensitive data, dimensional data