收录：
摘要：
为防止加权社交网络恶意攻击侵犯,提出一种深度差分隐私数据保护算法。首先通过卷积层得到多个特征图,利用池化层将特征图降维,加强深度学习模型处理高维数据的能力,减少网络系统能耗;其次将深度学习模型与差分隐私原理融合,使用差分隐私和高斯分布可组合特点,在运算时结合差分隐私理论,同时加入噪声机制,生成深度差分隐私数据算法;最后通过分析初始GAN的训练过程,得到一个满足维纳-霍普夫方程原理的生成器模型,以此得到攻击者可能获取的最佳结果伪造样本,对深度差分隐私模型实施参变量调优,实现数据集的可用性和隐私保护的均衡性。仿真结果表明,生成的图像辨识度下降,隐私保护力度呈现上升趋势,噪音绝对误差和平均查询绝对误...
关键词：
通讯作者信息：
电子邮件地址：
