基于粒子群优化的差分隐私拟合框架

摘要

针对监督学习中模型拟合的参数优化问题,提出基于粒子群优化的差分隐私拟合框架。以满足差分隐私的改进指数机制选择粒子群优化算法中个体最优和群体最优粒子,进而驱动模型拟合参数的全局优化,为训练数据集提供差分隐私安全保障。在改进的指数机制中,以拟合函数构造适合于粒子群优化的打分函数,通过参数向量候选集和选定集实现个体最优和群体最优参数向量的更新迭代。给出满足差分隐私的理论证明以及在回归和支持向量机模型中的具体应用。