分布异构数据中保护隐私的贝叶斯网络学习

摘要

隐私的存在及对隐私的保护性关注限制了数据的共享,为此,提出了从分布的异构数据库中保护隐私地学习贝叶斯网络的方法(PP-SMDL).拥有数据的各方首先进行分布式可比向量的提取;然后结合Bresson同态公钥密码算法,通过多向量点积份额协议对MDL打分函数的结构熵进行保护隐私的计算;最后运用分布式搜索算法SMDL学习基于联合数据的贝叶斯网络.该方法适用于非二进制离散数据,数据库可垂直分割到多个部分,泄漏的信息仅仅包括随机变量的取值个数和最终结果,而学习的效果与从集中数据中学习的效果相同.结果表明,当记录条数大于20,000时,PP-SMDL方法与集中SMDL方法的标准化损失趋于一致,这验证了所提方法的有效性.