基于机器学习的数据扰动技术，用于实现隐私保护的数据挖掘

《Scientific Reports》：Machine learning–driven data perturbation techniques for privacy-preserving data mining

　　

摘要

随着数字信息的迅速增长，数据挖掘活动中敏感个人信息的泄露问题日益突出。隐私保护数据挖掘（PPDM）旨在在允许对数据进行深入分析的同时，保护其中的机密信息。传统的隐私保护方法（如匿名化）通常会降低数据的实用性，而加密方法计算成本较高。本文提出了一种基于扰动的PPDM模型，该模型将K-means聚类算法与翻转旋转扰动（FRP）算法以及基于层次分析法（AHP）的决策模型相结合。在扰动之前对特征进行降维处理，既能提高隐私保护效果，又能保持分类准确性。实验测试表明，与传统的朴素贝叶斯和模糊逻辑方法相比，该模型在准确性、精确度、召回率和F值方面表现更优。这些结果证实，所提出的框架在平衡数据利用性和隐私保护方面具有很好的效果。