一个基于进化计算的敏感模式隐藏模型在医疗保健中的多值约束下

科学领域:

• 数据挖掘 数据挖掘
• 保护隐私的技术 保护隐私的技术
• 机器学习 机器学习

背景情况:

• 协作频繁模式挖矿面临隐私挑战,因为敏感数据.
• 现有的方法,如粒子优化 (PSO) 和群优化 (ACO),往往通过删除交易或项目来降低数据实用性.
• 这可能会导致显著的副作用和失去有价值的信息.

研究的目的:

• 提出一种基于粒子群集优化 (PSO) 的新算法,用于在协作频繁模式采矿中增强隐私保护.
• 通过根据多个参数选择受害者项目来提高卫生数据集的实用性.
• 为了更有效地隐藏敏感模式,引入一个动态的多门框架.

主要方法:

• 开发了一种新的粒子集群优化 (PSO) 算法,用于敏感的模式隐藏.
• 引入了一个动态的多值框架,利用双变量正常分布来设定动态值.
• 受害物品的选择是基于多个参数,以最大限度地减少数据修改和保护实用性.

主要成果:

• 拟议的PSO算法有效地隐藏了基准数据集 (FIMI,心脏病,心脏病发作预测) 的敏感模式.
• 与现有的PSO和殖民地优化 (ACO) 基于算法相比,它显著减少了副作用和数据丢失.
• 隐藏失败 (FTH) 度量明显较低,这表明隐私保护的优越性.

结论:

• 新的PSO算法为保护隐私的数据挖掘提供了一种优越的方法.
• 它有效地平衡了数据隐私与数据实用性,优于现有方法.
• 动态的多门框架提高了隐私保护技术在现实世界的场景中的适用性.