Resumen

Al utilizar la privacidad diferencial para publicar datos de alta dimensionalidad, la gran dimensionalidad conlleva a un mayor ruido. Especialmente para datos binarios de alta dimensionalidad, es fácil que queden cubiertos por un exceso de ruido. La mayoría de los métodos existentes no pueden abordar adecuadamente los problemas reales de datos de alta dimensionalidad porque sufren de una alta complejidad temporal. Por lo tanto, en respuesta a los problemas mencionados, proponemos el algoritmo de red bayesiana adaptativa con privacidad diferencial, PrivABN, para publicar datos binarios de alta dimensionalidad. Este algoritmo utiliza un nuevo algoritmo codicioso para acelerar la construcción de redes bayesianas, lo que reduce la complejidad temporal del algoritmo GreedyBayes de a . Además, utiliza un algoritmo adaptativo para ajustar la estructura y un mecanismo exponencial de privacidad diferencial para preservar la privacidad, con el fin de generar una red bayesiana protegida de alta calidad. Además, utilizamos la red bayesiana para calcular la distribución cond

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Privacidad diferencial; Datos de alta dimensión; Ruido; Algoritmo de red bayesiana; Complejidad temporal; Conjunto de datos sintético
• Keywords:Differential privacy; High-dimensional data; Noise; Bayesian network algorithm; Time complexity; Synthetic dataset