原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第47卷第3期电
子
与
信
息
学
报Vol.
47No.
3
2025年3月Journal
of
Electronics
Information
TechnologyMar.
2025
满足本地差分隐私的混合噪音感知的模糊C均值聚类算法
①②①*③①④⑤②
张朋飞
程
俊
张治坤
方贤进
孙
笠
王
杰
姜
茸
①(安徽理工大学计算机科学与工程学院
淮南
232001)
②(云南省服务计算重点实验室(云南财经大学)
昆明
650221)
③(浙江大学计算机科学与技术学院
杭州
310058)
④(华北电力大学控制与计算机工程学院
北京
102206)
⑤(安徽理工大学安全科学与工程学院
淮南
232001)
摘
要：在大数据和物联网应用中，本地差分隐私(LDP)技术用于保护聚类分析中的用户隐私，但现有方法要么
在LDP下交互式地进行聚类，需要消耗大量隐私预算，要么没有同时考虑到聚类数据中蕴含的表示数据质量的高
斯噪音以及为满足LDP保护的拉普拉斯噪音，致使聚类精度低下。同时，对于衡量用户提交数据和簇心之间的距
离选择较为武断，没有充分利用到用户提交的噪音数据中蕴含的噪音模式。为此，该文创新性地提出一种满足
LDP的混合噪音感知的模糊C均值聚类算法(mnFCM)，该算法的主要思想是同时建模用户上传数据中蕴含的表示
用户质量的高斯噪音以及为保护用户数据注入的拉普拉斯噪音，进而设计出混合噪音感知的距离替代传统的欧式
距离，来衡量样本数据与簇心间的相似性。特别地，在mnFCM中，该文首先设计了混合噪音感知的距离计算方
法，在此基础上给出算法新的目标函数，并基于拉格朗日乘子法设计了求解方法，最后理论上分析了求解算法的
收敛性。该文进一步理论分析了mnFCM的隐私、效用和复杂度，分析结果表明所提算法严格满足LDP、相对于
对比算法更接近非隐私下的簇心以及和非隐私算法具有接近的复杂度。在两个真实数据集上的实验结果表明，
mnFCM在满足LDP下，聚类精度提高了10%～15%。
关键词：聚类分析；隐私保护；本地差分隐私；模糊C均值聚类；拉普拉斯机制
中图分类号：TN911;
TP391文献标识码：A文章编号：1009-5896(2025)03-0739-19
DOI:
10.11999/JEIT241067
1引言性较大，不同簇内的样本数据具有较大的差异性。
如今，随着大数据分析的快速发展，个人数字换言之，通过聚类，相同簇内的样本数据在聚类过
信息的收集和分析得到了极大的发展。新的计算范程后应紧密地聚集在一起，而不同簇内的样本数据
[1]则应当被有效地分隔开。由于能够提供产品推荐和
式的出现，如云计算，增加了从多个来源进行大
规模分布式数据分析的可能性。对收集到的数据进行为预测等服务，聚类技术受到了更多的关注。尽
行聚类和分析，并将分析结果用于现实生活
文档评论（0）