公共文化服务平台

共 6 条记录，以下是 1-6

全选清除导出

排序方式：

基于支持向量机的说话人识别: 2013年; 支持向量机的说话人识别采用对音子的置信度进行综合的原理来完成对说话人身份的确认.以音子的置信度矢量为基础,分别采用支持向量机方法和平均值方法对音子的置信度进行综合,通过等错误率方面的研究发现,采用支持向量机方法大大低于平均值方法所获得的等错误率,等错误率大致可以从28%降至23%,而系统的复杂度仅略微地提高.; 朱大伟张跃; 关键词：说话人识别置信度支持向量机

效用优化的本地差分隐私联合分布估计机制: 2023年; 相对于传统的中心化差分隐私,本地差分隐私(Local Differential Privacy,LDP)具有不依赖可信第三方等优势,但也存在数据效用较低的问题。效用优化本地差分隐私模型ULDP(Utility-Optimized Local Differential Privacy)利用不同输入的敏感度差异,可以提升估计结果的准确度。二维数据联合分布计算可广泛应用于众多数据分析场景,然而,如何在ULDP模型下实现二维数据联合分布估计,仍然是尚未解决的重要问题。针对这一问题,首先给出了二维ULDP模型的定义,兼顾了两个属性分别敏感与否的4种情况;其次,在该模型下,针对联合分布估计问题,提出了JuRR(Joint Utility-Optimized Randomized Response)与CPRR(Cartesian Product Randomized Response)2种机制,并理论证明了估计结果的无偏性;最后,在真实数据集上进行对比实验,讨论了不同参数对估计误差的影响。实验结果表明,所提2种机制具有更高的数据效用。; 尹诗玉朱友文张跃; 关键词：频率估计

基于OLH的效用优化本地差分隐私机制被引量：1: 2022年; 效用优化本地差分隐私模型能够在保证隐私的前提下提高估计结果准确度.但现有的效用优化本地差分隐私协议存在着数据效用低或通信代价大的问题.本文针对现有效用优化本地差分隐私协议难以兼顾低通信代价和高数据效用的不足,基于OLH(optimized local hashing)协议提出了符合效用优化本地差分隐私模型的uOLH(utility-optimized OLH)协议.该协议在原始数据定义域很大时,同时具有低通信代价和高数据效用的特点,兼顾u RR(utility-optimized randomized response)和uRAP(utilityoptimized randomized aggregatable privacy-preserving ordinal response)二者优势.本文进一步考虑了用户的个性化隐私保护需求,构造了优化加权组合机制DWC(data weighted combination),在此基础上提出了个性化效用优化本地差分隐私协议uOLH-DWC.允许用户自由选择隐私级别,并能够提升估计结果的准确度,可输出多个隐私级别下的频率估计结果.在真实和模拟数据集上的实验结果表明,u OLH协议可以同时具有低通信代价与高数据效用,且uOLH-DWC协议可令用户自由选择隐私预算,并提升了各个隐私级别下估计结果的准确度.; 贺星宇朱友文张跃; 关键词：通信代价个性化

FFT算法对高斯平面波激励在旋转对称体下的研究: 2017年; 在旋转对称体下,以高斯脉冲作为激励源的FFT算法,能很好地解决三维柱坐标下电磁场数值无法计算的问题,其运算时间最多为683.50s,耗费内存为10.9 M,在PEC谐振腔谐振频率计算中,与原始频率相比,最大误差仅为1.11%.FFT算法能够以耗费内存较小、运算时间较少的代价较好地保证计算结果的精准性.; 朱大伟陈彬张跃; 关键词：FFT 高斯脉冲

(ε,δ)-本地差分隐私模型下的均值估计机制: 2023年; 相对于ε-本地差分隐私(LDP)机制,(ε,δ)-本地差分隐私模型下的方案具有更小的误差边界和更高的数据效用。然而,当前的(ε,δ)-本地差分隐私均值估计机制仍存在估计误差大、数据效用低等问题。因此,针对均值估计问题,该文提出两种新的(ε,δ)-本地差分隐私均值估计机制:基于区间的均值估计机制(IM)和基于近邻的均值估计机制(NM)。IM的主要思想是:划分扰动后的数据到3个区间,真实数据以较大概率扰动到中间的区间,以较小概率扰动到两边的区间,收集者直接对扰动数据求均值得到无偏估计。NM的主要思想是:把真实数据以较大概率扰动到其邻域,以较小概率扰动到距离较远的值,收集者结合期望最大化算法得到高准确度的估计均值。最后,该文通过理论分析证明了IM和NM均可以满足隐私保护要求,并通过实验证实了IM和NM的数据效用优于现有机制。; 张跃朱友文周玉倩袁家斌; 关键词：隐私保护数据聚合

效用优化的本地差分隐私集合数据频率估计机制被引量：1: 2022年; 本地差分隐私具有不需要可信第三方、交互少、运行效率高等优点,近年来受到了广泛关注.然而,现有本地差分隐私集合数据频率估计机制未能考虑数据的隐私敏感度差异,将所有数据同等对待,这会对非敏感数据保护过强,导致估计结果准确度低.针对这一问题,定义了集合数据效用优化本地差分隐私(set-valued data utility-optimized local differential privacy, SULDP)模型,考虑了原始数据域同时包含敏感值和非敏感值的情况,在不减弱对敏感值保护的前提下,允许降低对非敏感值的保护.进一步,提出了符合SULDP模型的5种频率估计机制suGRR,suGRR-Sample, suRAP,suRAP-Sample和suWheel,理论分析证实,相对于现有的本地差分隐私机制,所提方案能够对敏感数据实现完全相同的保护效果,并通过降低非敏感数据的保护效果,实现了频率估计结果的准确度提升.最后,在真实和模拟数据集上评估了新的方案,实验结果证明了所提的5种机制能够有效降低估计误差,提升数据效用,其中suWheel机制表现最优.; 曹依然朱友文贺星宇张跃; 关键词：频率估计隐私保护

全选清除导出

共1页<1>

张跃