面向大规模数据的隐私保护学习机

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

面向大规模数据的隐私保护学习机

刘忠宝, 王士同

文章导航 > 电子科技大学学报 > 2013 > 42(2): 272-276

刘忠宝, 王士同. 面向大规模数据的隐私保护学习机[J]. 电子科技大学学报, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018

引用本文:

刘忠宝, 王士同. 面向大规模数据的隐私保护学习机[J]. 电子科技大学学报, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018

LIU Zhong-bao, WANG Shi-tong. Privacy Preserving Learning Machine for Large Scale Datasets[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018

Citation:

LIU Zhong-bao, WANG Shi-tong. Privacy Preserving Learning Machine for Large Scale Datasets[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018

面向大规模数据的隐私保护学习机

doi: 10.3969/j.issn.1001-0548.2013.02.018

刘忠宝^1,2,
王士同¹

1.
中北大学电子与计算机科学技术学院太原 030031;
2.
江南大学数字媒体学院江苏无锡 214122

基金项目:

国家863项目(2007AA1Z158,2006AA10Z313);国家自然科学基金(60773206,60704047)

作者简介:
刘忠宝(1981-),男,博士生,主要从事模式识别与机器学习方面的研究.

中图分类号: TP391

Privacy Preserving Learning Machine for Large Scale Datasets

LIU Zhong-bao^1,2,
WANG Shi-tong¹

1.
School of Electronics and Computer Science Technology,North University of China Taiyuan 030051;
2.
School of Digital Media,Jiangnan Univerisity Wuxi Jiangsu 214122

摘要: 随着海量数据不断涌入,SVM隐私泄露问题日益严重。在分析已有隐私保护支持向量机基础上,提出一种面向大规模数据的隐私保护学习机(PPLM)。该方法首先通过核心向量机对大规模样本进行采样,然后在核心集上选取两个样本点并将两点连线的法平面作为最优分类面。通过对标准数据集和人工数据集的实验表明,PPLM可有效地解决大规模样本分类问题,且分类效果良好。
- 大规模数据集 /
- 模式分类 /
- 隐私保护 /
- 支持向量机
Abstract: Support vector machine (SVM) is widely used in pattern classification. In order to solve the privacy preserving problem in SVM, a privacy preserving learning machine for large scale datasets (PPLM) is proposed in this paper. First, core vector machine (CVM) is introduced for sampling the large scale datasets; then two points from different classes are chosen in the core set and the hyperplane orthogonal to the line connecting these two points is treated as the optimal separating hyperplane. Experimental results obtained from synthetic and standard datasets verify that the PPLM is effective and competitive.
- large scale datasets /
- pattern classification /
- privacy preserving /
- support vector machine

[1]	刘东, 裴锡凯, 赖金山, 王瑞锦, 张凤荔. 融合边缘智能计算和联邦学习的隐私保护方案 . 电子科技大学学报, 2023, 52(1): 95-101. doi: 10.12178/1001-0548.2022176
[2]	有超群, 李乐民. SFC限制下的隐私保护型多域最短路问题 . 电子科技大学学报, 2020, 49(4): 537-541. doi: 10.12178/1001-0548.2019190
[3]	李大湘, 吴倩, 邱鑫, 刘颖. 基于空间稀疏编码的MIL算法及刑侦图像分类 . 电子科技大学学报, 2019, 48(1): 68-73. doi: 10.3969/j.issn.1001-0548.2019.01.012
[4]	吴迭, 鲁力, 张凤荔. 一种Gen2v2标准下的高效隐私保护认证协议 . 电子科技大学学报, 2019, 48(3): 397-401, 461. doi: 10.3969/j.issn.1001-0548.2019.03.014
[5]	戴晓爱, 郭守恒, 任淯, 杨晓霞, 刘汉湖. 基于堆栈式稀疏自编码器的高光谱影像分类 . 电子科技大学学报, 2016, 45(3): 382-386. doi: 10.3969/j.issn.1001-0548.2016.02.012
[6]	刘忠宝, 裴松年, 杨秋翔. 具有N-S磁极效应的最大间隔模糊分类器 . 电子科技大学学报, 2016, 45(2): 227-232.
[7]	谭颖, 张涛, 谭睿, 沈小涛, 校景中. 基于小波变换与SVM的ADHD病人分类 . 电子科技大学学报, 2015, 44(5): 789-794. doi: 10.3969/j.issn.1001-0548.2015.05.025
[8]	何海江. 截断误差的光滑型支持向量顺序回归 . 电子科技大学学报, 2014, 43(1): 131-136. doi: 10.3969/j.issn.1001-0548.2014.01.022
[9]	刘忠宝. 新型支持向量机在风速预测模型中的应用研究 . 电子科技大学学报, 2014, 43(5): 754-757. doi: 10.3969/j.issn.1001-0548.2014.05.021
[10]	王宏, 周正欧, 李廷军, 孔令讲. 基于EEMD穿墙雷达人的运动模式识别 . 电子科技大学学报, 2011, 40(3): 346-351. doi: 10.3969/j.issn.1001-0548.2011.03.003
[11]	丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述 . 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001
[12]	张雪芹, 顾春华, 吴吉义. 异常检测中支持向量机最优模型选择方法 . 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017
[13]	何海江, 陈姝. 由排序支持向量机抽取博客文章的摘要 . 电子科技大学学报, 2010, 39(4): 593-597. doi: 10.3969/j.issn.1001-0548.2010.04.026
[14]	杨宏宇, 李春林. 采用FA和SVDFRM的SVM入侵检测分类模型 . 电子科技大学学报, 2009, 38(2): 240-244. doi: 10.3969/j.issn.1001-0548.2009.02.20
[15]	向国齐, 严志坚, 黄大贵. 支持向量机替代模型的遗传优化设计 . 电子科技大学学报, 2009, 38(3): 459-462. doi: 10.3969/j.issn.1001-0548.2009.03.034
[16]	胡丹, 肖建, 车畅. 再生核支持向量机在非线性系统中的应用 . 电子科技大学学报, 2008, 37(1): 124-127.
[17]	徐图, 罗瑜, 何大可. 多类支持向量机的DDoS攻击检测的方法 . 电子科技大学学报, 2008, 37(2): 274-277.
[18]	唐艳, 柳建新, 龚安栋. ICA+CSSD的脑-机接口分类 . 电子科技大学学报, 2008, 37(3): 466-469.
[19]	王勇, 许录平. 独立成分分析和支持向量机的虹膜识别方法 . 电子科技大学学报, 2007, 36(3): 583-586.
[20]	周鸣争, 汪军. 基于支持向量机的传感器非线性误差校正 . 电子科技大学学报, 2006, 35(2): 242-245.

WeChat

点击查看大图

计量

文章访问数: 3389
HTML全文浏览量: 129
PDF下载量: 34
被引次数: 0

面向大规模数据的隐私保护学习机

doi: 10.3969/j.issn.1001-0548.2013.02.018

刘忠宝^1,2,
王士同¹

1. 中北大学电子与计算机科学技术学院太原 030031;

2. 江南大学数字媒体学院江苏无锡 214122

基金项目:

国家863项目(2007AA1Z158,2006AA10Z313);国家自然科学基金(60773206,60704047)

作者简介:
刘忠宝(1981-),男,博士生,主要从事模式识别与机器学习方面的研究.

收稿日期: 2011-06-16
修回日期: 2012-11-26
刊出日期: 2013-04-15

中图分类号: TP391

关键词:

摘要: 随着海量数据不断涌入,SVM隐私泄露问题日益严重。在分析已有隐私保护支持向量机基础上,提出一种面向大规模数据的隐私保护学习机(PPLM)。该方法首先通过核心向量机对大规模样本进行采样,然后在核心集上选取两个样本点并将两点连线的法平面作为最优分类面。通过对标准数据集和人工数据集的实验表明,PPLM可有效地解决大规模样本分类问题,且分类效果良好。

English Abstract

刘忠宝, 王士同. 面向大规模数据的隐私保护学习机[J]. 电子科技大学学报, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018

引用本文:

刘忠宝, 王士同. 面向大规模数据的隐私保护学习机[J]. 电子科技大学学报, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018

LIU Zhong-bao, WANG Shi-tong. Privacy Preserving Learning Machine for Large Scale Datasets[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018

Citation:

LIU Zhong-bao, WANG Shi-tong. Privacy Preserving Learning Machine for Large Scale Datasets[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发