支持本地化差分隐私保护的k-modes聚类方法

如何在保护数据隐私的同时进行可用性的数据挖掘已成为热点问题。鉴于在很多实际应用场景中,很难找到一个真正可信的第三方对用户的敏感数据进行处理,文中首次提出了一种支持本地化差分隐私技术的聚类方案——LDPK-modes(Local Differential Privacy K-modes)。与传统的基于中心化差分隐私的聚类算法相比,其不再需要一个可信的第三方对数据进行收集和处理,而由用户担任数据隐私化的工作,极大地降低了第三方窃取用户隐私的可能性。用户使用满足本地d-隐私(带有距离度量的本地差分隐私技术)定义的随机响应机制对敏感数据进行扰动,第三方收集到用户扰动数据后,恢复其统计特征,生成合成数据集,并进行k-modes聚类。在聚类过程中,将数据集上频繁出现的特征分配给初始聚类中心点,进一步提高了聚类结果的可用性。理论分析和实验结果表明了LDPK-modes的隐私性和聚类可用性。

函数的投影教学例谈

观察叫做思维的知觉,是思维的窗口,它是学生增长知识的重要途径。一个人对事物视而不见,不能进行周密细致的观察,他就不能获得大量有价值的事实材料,他的思维就会缺乏坚实的基础,就很难从中发现新的规律。观察是感知的特殊形式,是在感知过程中并以感知为基础形成的,脱离了感知就无所谓观察,所以应在感知的过程中培养学生的观察能力。心理学告诉我们,在固定不变的背景中,活动的刺激物更易于被人感知,"动"比"静"给人的感知更深刻。因此在教学中,对于直观形象的对象或其重要部分,可以尽可能增加其活动性。这一工作利用抽动片、复合片、转动片来完成,化静为动,不但能使学生抓住本质,牢固掌握它所反映的知识,而且能更好地培养学生的观察能力,学会观察的方法,认清观察的重点,掌握观察的系统性,从而更加全面深刻地发现事物的本质和各种主要细节。

支持多跳的多策略属性基全同态短密文加密方案

多策略属性基全同态加密可在多用户环境下同时实现共享数据的细粒度访问控制和不同策略属性基密文的同态计算。针对目前支持多跳多策略的属性基全同态加密方案密文尺寸较大,同态计算效率不高的问题,提出了一个基于LWE(Learning With Error)问题,支持多跳多策略的属性基全同态短密文加密方案。方案可实现对满足不同访问策略的不同属性集密文进行同态计算;且具备完全动态多跳性质,即任何参与方都可以实时、动态地加入到密文运算的过程中,同态运算后输出的密文能够与新加入参与方的密文再次进行同态运算,即使新加入密文所对应属性集不满足已有的访问策略集。与同类方案相比,方案具有更短的密文和更高的同态计算效率,并且密文扩展更容易实现。最后证明了文中方案具有选择属性下的选择明文攻击不可区分性(IND⁃CPA)安全性。

平面几何与光学(初二)

凸透镜成像规律,同学们不易记住,若借助平面几何,可解决这个难题. 以蜡烛成像为例,假设蜡烛垂直放在主光轴上,则只要定下烛焰尖的成像位置,然后向主光轴作垂线,即得像,以凸透镜来说明. 设物距为u,像距为v,焦距为f,下面逐一讨论.

一种基于本地化差分隐私保护的高效用朴素贝叶斯分类方案

针对现有的基于本地差分隐私的朴素贝叶斯分类方案存在计算、通信开销较高,以及采样率过低引起采样误差的问题,设计了一种满足本地差分隐私的频数预测算法,并将其应用于基于本地差分隐私的朴素贝叶斯分类器的训练。该频数预测算法的扰动机制基于指数机制设计,扰动输出的概率由效用函数决定,有效地提高了数据分类的效用。方案的用户端通过该扰动机制来完成本地隐私化的工作,服务器端通过收集用户扰动数据,对频数进行预测,恢复其统计特征。相较于传统的贝叶斯分类方案,不仅能够减少训练数据在收集过程中可能带来的隐私泄露问题,提高了分类准确率,而且降低了计算和通信开销。性能分析和实验结果验证了方案的隐私性、分类准确率以及有效性。

稍一变换 解法简便

《中学生数学》2002年第12期(上)刊登的李光裕老师《例谈三角公式的巧用》一文，读后有所受益、有所启发．但该文第一部分例1的解法如果能将θ+15°作为一个整体去考虑来解决此题的话，不仅能体现三角公式的转化功能，而且方法更加简便，并且也不需要计算或记住75°和15°的三角函数值．更省去了后面的计算．解法如下：