En este trabajo, damos un algoritmo EM de gradiente modificado; puede proteger la privacidad de los datos sensibles añadiendo ruido de mecanismo gaussiano discreto. Específicamente, hace que los datos de alta dimensión sean más fáciles de procesar, principalmente mediante pasos de escalado, truncamiento, multiplicación de ruido y suavizado de los datos. Dado que la varianza de la gaussiana discreta es menor que la de la gaussiana continua, la privacidad de la diferencia de los datos puede garantizarse más eficazmente añadiendo el ruido del mecanismo gaussiano discreto. Por último, el algoritmo EM de gradiente estándar, el algoritmo recortado y nuestro algoritmo (DG-EM) se comparan con el modelo GMM. Los experimentos muestran que nuestro algoritmo puede proteger eficazmente los datos sensibles de alta dimensión.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Índices de cobertura de características para la estimación de la homografía dual en la construcción de imágenes panorámicas
Artículo:
Predicción de problemas de salud mental mediante la identificación automática de metáforas
Artículo:
Detección automatizada de complejos QRS basada en un eficiente operador de energía de Teager
Artículo:
Agrupación de datos categóricos mediante técnicas de detección de comunidades
Artículo:
Principios fisicoquímicos de la síntesis y modificación de compuestos de poliéster insaturado-cloruro de polivinilo y propiedades de los materiales derivados de ellos
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
¿Por qué debemos conservar la fauna silvestre?
Artículo:
Control y vigilancia de la calidad del agua de consumo humano
Manual:
Deshidratación y desecado de frutas, hortalizas y hongos. Procedimientos hogareños y comerciales de pequeña escala