支持隐私保护的数据挖掘方法研究及实现 |
论文目录 |
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 数据挖掘中差分隐私的研究现状 | 第12-14页 |
| 1.2.2 大数据脱敏技术的研究进展 | 第14-16页 |
| 1.3 研究内容与创新点 | 第16-17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第二章 相关概念及技术 | 第19-28页 |
| 2.1 隐私的概念 | 第19-20页 |
| 2.2 隐私保护技术 | 第20-23页 |
| 2.2.1 差分隐私技术 | 第20-22页 |
| 2.2.2 数据脱敏技术 | 第22-23页 |
| 2.3 数据挖掘方法 | 第23-27页 |
| 2.3.1 生成对抗网络 | 第23-24页 |
| 2.3.2 对抗式深度迁移学习 | 第24-26页 |
| 2.3.3 基于深度迁移学习的命名实体识别 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 支持自适应差分隐私的生成对抗网络模型 | 第28-50页 |
| 3.1 引言 | 第28-29页 |
| 3.2 相关理论概述 | 第29-30页 |
| 3.2.1 层级相关性传播 | 第29-30页 |
| 3.2.2 差分隐私深度学习模型 | 第30页 |
| 3.3 支持自适应差分隐私的生成对抗网络模型的设计 | 第30-32页 |
| 3.4 支持自适应差分隐私的生成对抗网络模型的实现 | 第32-41页 |
| 3.4.1 差分隐私相关性的计算 | 第33-35页 |
| 3.4.2 自适应差分隐私神经网络的构建 | 第35-38页 |
| 3.4.3 差分隐私损失函数的构造 | 第38-41页 |
| 3.5 支持自适应差分隐私的生成对抗网络模型的性能测试 | 第41-48页 |
| 3.5.1 数据集 | 第41-42页 |
| 3.5.2 性能指标 | 第42-43页 |
| 3.5.3 实验环境 | 第43-44页 |
| 3.5.4 实验结果及分析 | 第44-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第四章 支持自适应数据脱敏的命名实体识别模型 | 第50-63页 |
| 4.1 背景介绍 | 第50-51页 |
| 4.2 基础模型介绍 | 第51-53页 |
| 4.2.1 基于Bi-LSTM-CRF的命名实体识别模型 | 第51-53页 |
| 4.2.2 自注意力机制 | 第53页 |
| 4.3 支持自适应数据脱敏的命名实体识别模型的设计 | 第53-55页 |
| 4.4 支持自适应数据脱敏的命名实体识别模型的实现 | 第55-58页 |
| 4.4.1 基于Bi-LSTM的敏感数据特征抽取 | 第55-56页 |
| 4.4.2 基于自注意力机制的敏感词关系计算 | 第56页 |
| 4.4.3 基于CRF的标签预测 | 第56-57页 |
| 4.4.4 基于对抗训练的共享敏感数据特征筛选 | 第57-58页 |
| 4.5 支持自适应数据脱敏的命名实体识别模型的性能测试 | 第58-62页 |
| 4.5.1 数据集 | 第58-59页 |
| 4.5.2 性能指标 | 第59页 |
| 4.5.3 实验环境 | 第59-60页 |
| 4.5.4 实试结果及分析 | 第60-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 研究工作总结 | 第63-64页 |
| 5.2 问题与展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间发表的学术论文 | 第71页 |
|
| |
