[发明专利]基于贝叶斯网络高维感知数据本地差分隐私保护发布方法

摘要

基于贝叶斯网络高维感知数据本地差分隐私保护发布方法，每个用户持有自己的原始数据，首先在用户端对数据进行本地化隐私处理，后将处理后的数据发送至中心端，中心服务器对所有用户的数据基于贝叶斯网络进行相关性开采，用低维数据的联合概率分布来近似所有属性的联合分布，最后根据低维联合概率分布和贝叶斯网络结构合成新的数据集并发布；解决高维感知数据的属性关联与本地隐私保护需要相结合的难题，该方法不仅解决了高维给本地隐私保护带来的数据规模大和信噪比低的难题，同时也使得本地隐私保护对高维数据相关性识别的准确性问题可以通过参数设置来进行控制。

主权项

1.基于贝叶斯网络高维感知数据本地差分隐私保护发布方法，其特征在于，具体包括以下步骤：步骤1，本地数据处理：用户在本地端将原始数据转换为二进制串对二进制串的每个比特位进行随机化应答处理，然后将翻转后二进制串发送给中心服务器；步骤2，属性相关性建模：中心服务器接收用户的噪声化比特串后，根据比特串信息构建贝叶斯网络，来表示高维属性间的相关性；本步骤具体做法是：步骤2‑1)，贝叶斯网络初始化：初始化贝叶斯网络N为已选取属性节点集合S为步骤2‑2)，初始节点选取：首先应用期望最大化估计算法计算所有属性的先验概率，然后根据各属性的熵值来选择属性作为贝叶斯网络的初始节点，并更新网络N和集合S；步骤2‑3)，AP对候选集列举：对于和将(X,Π)存入AP对候选集Ω中，其中k为贝叶斯网络的度；步骤2‑4)，AP对联合概率求解：应用期望最大化估计算法，计算Ω中所有AP对(X,Π)中属性的联合概率分布；步骤2‑5)，AP对选取：根据联合概率分布计算所有AP对(X,Π)的互信息，选取互信息取值最大的属性对(X_i,Π_i)，添加至网络N中，并将X_i存入S中；步骤2‑6)，更新贝叶斯网络：重复上述2‑3)到2‑5)的过程，直至依次选完所有属性节点，即可得到完整的贝叶斯网络N；步骤3，数据集合成：根据贝叶斯网络及关联属性间的条件概率分布独立采样每个属性，从而合成新的数据集。