| 论文题目： | 保护隐私的集合相似性度量协同计算协议 |
|---|---|
| 第一作者： | 逯绍锋，胡玉龙，逯跃锋 |
| 联系作者： | |
| 发表年度： | 2023 |
| 摘 要： | 集合相似性度量是机器学习领域的基本问题之一，研究如何在保护数据隐私的前提下计算两个集合间的相似性问题，在保护数据隐私的机器学习、图形识别、生物信息学等方面有着重要的理论意义与应用价值。在机器学习中估算不同样本集合之间的相似性时，通常通过计算集合相似度来对样本之间的相似程度进行估算，这一类集合之间的相似度统称为集合距离。其中，最常用到的集合距离就是杰卡德距离。文中从集合间杰卡德距离入手，首先通过设计一种新的编码方法，对参与计算的数据进行位置数字编码，将相似性度量问题转化为求两集合间相同数字个数问题，进而结合异或思想，借助同态加密体制具体设计了可以保护隐私的集合杰卡德距离协同计算协议，从而解决了集合间相似性度量的隐私保护问题。模拟器证明该协议是安全的，结果分析表明协议可以高效安全地判定出两对象间集合数据的相似性，在保护隐私的集合相似性度量方面，该方法具备一定的普适性。 |
| 英文摘要： | |
| 刊物名称： | 计算机技术与发展 |
| 全文链接： | |
| 论文类别： | CSCD |
在线留言
联系我们
所长信箱