面向差分隐私保护的自适应谱聚类优化新算法

针对传统差分隐私保护的谱聚类算法存在聚类效果不理想的不足,提出一种面向差分隐私保护的自适应谱聚类优化新算法。采用互邻高斯核函数得到稀疏相似度矩阵,分析高维数据集的数据特征与聚类簇数的关系解决降维幅度和聚类簇数的不确定性;引入中间信息向量和中间性的概念来克服初始簇中心选取的盲目性;根据多维高斯分布离群点检验后的结果采用插补法解决离群点问题。仿真实验结果表明,该算法能够有效克服传统方法的不足,且在同一数据集相同隐私保护参数下,可以在保证数据隐私安全性的同时改善聚类效率并显著提高聚类可用性。

基于相关兴趣度的关联规则挖掘算法研究

针对传统的基于支持度、置信度框架的关联规则挖掘技术的缺点和不足,文中在关联且相关的关联规则挖掘算法(association&correlation Mining,AC_Mining)的基础上,引入相关兴趣度——Related-confidence用于度量项集中项和项之间的相关性,提出一种新的挖掘算法I&Item Mine_AC(I&Item:项集和项,AC:association&correlation)。实验证明,该算法消除了在传统关联规则挖掘中存在的可疑模式或关联规则,改善了一般性关联规则在挖掘前、后项集不对称情况时的不足,提高了所生成关联规则的质量,且其相关度量具有很好的剪枝效果。