群体学习和隐私保护树在海洋盐度反演中的应用

为在不违反隐私的情况下促进全球多源海洋数据集成与联合使用,该文引入群体学习(Swarm Leanring)和隐私保护树(Secure Boost)用于数据隐私整合和树形模型训练,以海洋盐度反演作为实践场景,提出SLSB-LightGBM模型,并在全球4片海域内进行测试。使用各区隐私数据分别构建SLSB-LightGBM全局模型和SLSB-LightGBM迁移模型,基于本地学习思想构建4个单区LightGBM模型作为对照,结果表明:单区模型在复杂海域的盐度反演效果较差,且适用区域局限性明显;SLSB-LightGBM模型在1 PSU和0.8 PSU条件下精度分别高于84%和76%,均方误差(MSE)和平均绝对误差(MAE)均小于0.58,同时泛化性明显高于本地学习,在盐度分布复杂和数据量小的情况下仍能保证模型准确度,而且SLSB-LightGBM模型在设计和执行过程中完全保证了隐私性,在海洋领域的初次尝试表现卓越,可为探索复杂场景的海洋数据隐私联合使用提供新的方法。

对我国隐私权立法的思考

我国《民法通则》没有规定隐私权的法律保护,造成许多侵犯隐私权的行为无法追究。建议新的民法应该明确界定保护隐私权,其内容可以有:第一,隐私权应作为一项独立的权利定位在人格权中;第二,隐私权保护的客体的范围可从三个方面界定:生活安定权、个人信息权、个人身份及社会关系保密权。

一种同态密码体制下加密云数据的隐私保护CART算法

CART(Classification And Regression Tree,分类回归树)是一种准确率和效率都较高的数据挖掘算法,它支持离散型和连续型的数据分类,但无法适用于对加密的隐私云数据进行分类.因此提出PPCART(Privacy-preserving CART,隐私保护的分类回归树),该算法利用同态加密特性对CART算法做了相应的改善,使之在保持CART原有准确率和相对较好执行效率的情况下能分类加密云数据,避免了在半诚实模型下的分类过程中真实数据的泄露.经过安全分析和实验测试表明,PPCART可显著提高传统CART算法的安全性,且具有接近于它的执行时间.