.png){kind=icon}
返回
Differential Privacy Space Decomposition Algorithm Based on Hierarchical Model
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3595426.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在差分隐私约束下，选择合适的划分方法对二维空间数据的分区至关重要。当前主流的划分方法包括基于网格的划分和层次划分。为了在满足差分隐私条件的同时优化查询精度，实现噪声误差与均匀性假设误差总和的最小化仍具挑战性。为解决此问题，我们提出HOLG（逻辑网格层次优化）算法，采用“划分-合并-再划分”方法。该方法首先对数据域进行精细网格划分，随后对数据分布相似的区域进行启发式合并。在确定查询域规模后，将合并后的区域进一步细分为查询概率相似的小区域，构建层次结构以降低均匀性假设误差。此外，我们设计了一种新的噪声注入方法，并引入一致性约束以进一步减少噪声误差。为降低HOLG划分方法的时间复杂度，采用霍夫曼树优化由HOLG生成的层次树集的处理，在确保查询效用的同时有效减少划分算法的查询响应时间。在大型空间数据集上的实验结果表明，HOLG在查询精度方面优于同类算法。此外，结合霍夫曼树优化后，它能有效降低查询响应时间。
Keyword:
Differential privacy
space decomposition
data release
hierarchical model
Huffman tree
期刊
IF:
9.2
论文数:
5.6K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
Spatial-Aware Hierarchical Collaborative Deep Learning for POI Recommendation面向POI推荐的空间感知分层协同深度学习
PREAI
分享收藏
查看更多内容