青山新雨

2023年2月18日

摘要：划分选择决策树中，最关键的是判断选择一个什么样的标准来划分样本来区分正负样本。也就是说我们希望划分后的样本尽量一致。下面将介绍如何描述一个样本集合中样本尽量一致的量化概念。信息增益信息熵：假设样本集合D中第k类元素所占比例为$p_k$，则D的信息熵为： $$ Ent(D)=-\sum_{k=1 阅读全文

posted @ 2023-02-18 17:40 青山新雨阅读(49) 评论(0) 推荐(0)

差分隐私进阶-k匿名化

摘要： k匿名性在上一篇文章差分隐私进阶-去标识和重标识攻击中使用重标识攻击来获取隐私数据，这篇文章就介绍了使用k-匿名性来解决这个问题。属性定义：令$B(A_1, A_2, ..,A_n)$是一个有限数据的元组（一行数据称为元组）表格，其中表格B的有限属性集为$Q_T={A_1, A_2, ...,A 阅读全文

posted @ 2023-02-18 10:42 青山新雨阅读(802) 评论(0) 推荐(0)

差分隐私进阶-去标识和重标识攻击

摘要：去标识去标识：是指从数据集中删除标识信息的过程。标识信息的模糊定义：凡是能够根据信息序列精确定位到某个具体事物的信息序列。比如，每个人的身份证号，每个人的（家庭住址，姓名）的信息元组等等。 import pandas as pd import numpy as np import matplot 阅读全文

posted @ 2023-02-18 10:40 青山新雨阅读(271) 评论(0) 推荐(0)

2023年2月17日

解决清华镜像下载texlive慢的问题

摘要：今天，想使用vscode的jupyter写写笔记，想latex是否可以自动补全，发现可以使用vscode的插件实现这个功能。但是需要下载taxlive文件。但是，清华的下载非常慢，于是找了阿里镜像。还是阿里镜像好！ https://mirrors.aliyun.com/CTAN/systems/te 阅读全文

posted @ 2023-02-17 21:12 青山新雨阅读(519) 评论(0) 推荐(0)

可信执行环境

摘要：可信执行环境是从底层硬件和操作系统开始出发，提供一个隔离的运行环境，保护代码和数据不被攻击者攻击。可信执行环境简介可信执行环境：满足以下两个条件的一组支撑应用的软硬件组合：可以避免软件层面的攻击可以避免硬件层面的攻击可信执行环境需要满足以下几个特征：软硬件协同的安全机制：可信执行环境及其阅读全文

posted @ 2023-02-17 18:00 青山新雨阅读(812) 评论(0) 推荐(0)

第3章：线性模型

摘要：基本形式给定由d个属性描述的示例$\vec{x}=(x_1, x_2, ..., x_d)^T$,线性模型试图通过一个线性组合来进行预测的函数，既： $$ f(\vec{x})=w_1x_1+w_2x_2+...+w_dx_d+b\ \to f(\vec{x}) = \vec{w}^T\vec{x 阅读全文

posted @ 2023-02-17 16:19 青山新雨阅读(61) 评论(0) 推荐(0)

2023年2月16日

差分隐私-实现方法与性质

摘要：实现方法与性质离散值域：随机回答在很多场合，回答是或者不是，本身就属于隐私数据。也就是说有些隐私是离散的数据。随机回答的局部差分隐私：考虑任意一个被调查者i。由于数据只有一条$x_i$，所以只需要考虑$Pr[A_{RR}(x_i)=0]$和$Pr[A_{RR}(x_i)=1]$。比如$A_{ 阅读全文

posted @ 2023-02-16 19:00 青山新雨阅读(349) 评论(0) 推荐(0)

差分隐私-问题和定义

摘要：问题模型及定义注意：密码学方法保证的是计算过程的隐私性，差分隐私保证的是计算结果的隐私性。差分隐私的核心是保护个人数据的隐私，而不是保护群体数据的隐私。差分隐私问题模型：一个受信任的数据监管方C拥有一组数据$\chi={X_1, X_2,..,X_n}$。该数据监管方的目标是给出一个随机算法$ 阅读全文

posted @ 2023-02-16 15:36 青山新雨阅读(224) 评论(0) 推荐(0)

隐私计算学习目录

摘要：隐私计算学习目录隐私计算基础差分隐私-问题和定义+ 差分隐私-实现方法与性质+ 可信执行环境+ 隐私计算-进阶差分隐私进阶-去标识和重标识攻击差分隐私进阶-k匿名化+ 阅读全文

posted @ 2023-02-16 13:34 青山新雨阅读(49) 评论(0) 推荐(0)

2023年2月15日

第2章：模型评估和选择

摘要：经验误差和过拟合评价模型好坏的几个指标：正确率：在m个样本中有a个样本正确，则精度为$acc = \frac{a}{m}$ 错误率：在m个样本中有m-a个样本错误，则误差为$err = 1- acc$ 训练误差：在训练样本中的误差为训练误差。泛化误差：在测试样本中的误差为泛化误差。在一个全阅读全文

posted @ 2023-02-15 10:08 青山新雨阅读(65) 评论(0) 推荐(0)

Loading

公告