基于主成分分析和函数机制的差分隐私线性回归算法

随着人工智能应用的不断落地以及隐私保护法律法规的持续出台,机器学习中的隐私保护问题已成为目前信息安全领域的一个研究热点。文中针对现有的差分隐私线性回归算法全局敏感度大、模型可用性较差的问题,基于高斯机制代替传统的Laplace机制,并通过在算法的两个主要阶段分别添加噪声的方法,提出了一种基于主成分分析和函数机制的差分隐私线性回归算法(PCAFM-DPLR)。首先,为了在降维的同时兼顾数据的隐私性,向原始数据集的协方差矩阵中注入高斯噪声,基于主成分分析得到具有差分隐私保护效果的低维数据集;其次,为防止模型训练过程中可能存在的隐私泄露,再向目标函数的展开多项式系数添加高斯噪声,并以扰动后的目标函数最小化为目标,求得最优模型参数。理论分析和实验结果表明,PCAFM-DPLR算法训练出的线性回归模型能够在有效保证隐私性的同时,具有良好的可用性。

隐私保护的非线性联邦支持向量机研究

联邦学习为解决“数据孤岛”下的多方联合建模问题提出了新的思路。联邦支持向量机能够在数据不出本地的前提下实现跨设备的支持向量机建模,然而现有研究存在训练过程中隐私保护不足、缺乏针对非线性联邦支持向量机的研究等缺陷。针对以上问题,利用随机傅里叶特征方法和CKKS同态加密机制,提出了一种隐私保护的非线性联邦支持向量机训练(PPNLFedSVM)算法。首先,基于随机傅里叶特征方法在各参与方本地生成相同的高斯核近似映射函数,将各参与方的训练数据由低维空间显式映射至高维空间中;其次,基于CKKS密码体制的模型参数安全聚合算法,保障模型聚合过程中各参与方模型参数及其贡献的隐私性,并结合CKKS密码体制的特性对参数聚合过程进行针对性优化调整,以提高安全聚合算法的效率。针对安全性的理论分析和实验结果表明,PPNLFedSVM算法可以在不损失模型精度的前提下,保证参与方模型参数及其贡献在训练过程中的隐私性。

巴黎奥运会男子竞技体操实力分析及中国备战洛杉矶奥运会的策略研究

运用文献资料法、录像观察法、数理统计法等,对第33届巴黎奥运会男子竞技体操竞技实力进行剖析,旨在全面评估当前男子体操的竞争格局,并为中国男子竞技体操队筹备洛杉矶奥运会提供参考。结果显示:(1)中国男子体操队在此次赛事中表现出色,位居奖牌榜首位,展现了我国男子竞技体操在世界上的一流水平。(2)在男子团体比赛中,我国在吊环和双杠项目上的优势比较明显,单项总分遥遥领先,但是在单杠项目出现两次掉杠的严重失误,成为中国男团未取得金牌的主要原因。(3)全能项目的比拼尤为激烈,中日两国选手包揽前三,凸显两国在顶级全能运动员培养方面的深厚底蕴。(4)单项竞赛呈现出多强并起的趋势,部分体操小国也开始崛起,菲律宾的体操名将连获两枚金牌,标志着单项竞技已迈入众强纷争的新时代。针对上述分析提出我国男子竞技体操队备战洛杉矶奥运会的策略:把握规律、不断突破创新;协调发展,全面提高运动员的竞技实力;加大培养力度,增加顶尖水平运动员的储备;科学训练,减少运动员伤病发生机率。