计算机工程与科学

作者：董燕灵, 张淑芬, 徐精诚, 王豪石,

单位：1.华北理工大学理学院，河北 唐山 063210；2.河北省数据科学与应用重点实验室，河北 唐山 063210；3.唐山市数据科学重点实验室，河北 唐山 063210；4.唐山市大数据安全与智能计算重点实验室，河北 唐山 063210

关键词：差分隐私,隐私预算分配,Stacking算法,集成学习,

基金：国家自然科学基金(U20A20179)

为解决同质集成学习算法对噪声更敏感，难以兼顾较好的预测性能和有效的隐私保护这一问题，提出一种基于差分隐私的DPStacking算法，将异质Stacking算法与差分隐私技术相结合，以优化算法的隐私保护和预测性能。但是，由于Stacking算法的低层和高层模型都可以由不同的学习器构成，若对某个具体学习器设计隐私预算分配方案来提供差分隐私保护，该方案往往无法适用于由任意基学习器和元学习构成的Stacking算法。基于此，设计了一种基于元学习器的隐私预算分配方案，此方案根据皮尔逊相关系数及差分隐私并行组合的特性为元学习器输入的不同构成体分配不同的隐私预算。通过理论与实验验证，DPStacking算法符合ε-差分隐私保护，与基于差分隐私的随机森林算法(DiffRFs)、Adaboost算法(DP-AdaBoost)、XGBoost算法(DPXGB)相比，能有效保护数据隐私的同时拥有更好的预测性能，并较好地解决了单一同质集成学习算法对噪声更加敏感的问题。

来源：2024年第2期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2024年第2期