面向混合型位置大数据的差分隐私聚类算法

针对现有的差分隐私聚类算法仅局限于实型数据的问题,提出一种基于混合型位置大数据的差分隐私聚类算法DPKD。利用KD-medoids降维聚类算法对混合型位置大数据进行预处理,提取位置信息记录,采用邻近搜索找出聚类中心点,划分为k个聚类簇,添加Laplace噪声使其满足差分隐私,通过查询函数返回待发布的数据记录;分析DPKD算法数据查询误差高的问题,对初始中心点优化选择,提出一种改进的Op-DPKD算法。性能评估结果表明,Op-DPKD算法解决了混合型位置大数据的隐私保护问题,提升了聚类效果,保证了混合型位置大数据的可用性。

依赖混合型位置大数据的均值漂移聚类算法

均值漂移聚类(Mean shift clustering,MSC)算法及其变体在模式识别和计算机视觉任务中具有广泛的应用。本文基于MSC模型研究了具有高斯核的算法的动力学特性。证明MSC在给定混合型位置大数据的凸包中具有解。根据收缩映射的原理,提供了一个充分条件,取决于引入高斯核的参数,以保证解的唯一性。结果表明,在该条件下,解也是全局稳定的,并且呈指数收敛。当条件不成立时,MSC算法可能会具有多个均衡,由于每个均衡都有其自己吸引盆地,因此可以用于聚类。基于此,条件可用于估计适当的参数,以确保MSC算法具有适合聚类的平衡。