En este trabajo, damos un algoritmo EM de gradiente modificado; puede proteger la privacidad de los datos sensibles añadiendo ruido de mecanismo gaussiano discreto. Específicamente, hace que los datos de alta dimensión sean más fáciles de procesar, principalmente mediante pasos de escalado, truncamiento, multiplicación de ruido y suavizado de los datos. Dado que la varianza de la gaussiana discreta es menor que la de la gaussiana continua, la privacidad de la diferencia de los datos puede garantizarse más eficazmente añadiendo el ruido del mecanismo gaussiano discreto. Por último, el algoritmo EM de gradiente estándar, el algoritmo recortado y nuestro algoritmo (DG-EM) se comparan con el modelo GMM. Los experimentos muestran que nuestro algoritmo puede proteger eficazmente los datos sensibles de alta dimensión.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Síntesis y Sulfonación de Resinas Poliméricas Macroporosas y su Evaluación para la Eliminación de Aceite y Anilina del Agua
Artículo:
Caracterización de PEBBLEs como herramienta para la medición en tiempo real del pH endosomal de Dictyostelium discoideum
Artículo:
Absorción de humedad y propiedades termodinámicas de la madera en condiciones dinámicas
Artículo:
Predicción del Nivel de Glucosa en Sangre para Diabéticos Basada en Registros de Nutrición y Administración de Insulina Utilizando Modelos Matemáticos Personalizados
Artículo:
Método de selección del número óptimo de sensores para mejorar la credibilidad
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Tesis:
Materiales y prácticas de construcción sostenible