一种机器学习中隐私可用均衡的轨迹训练数据扰动机制

摘要

一种机器学习中隐私可用均衡的轨迹训练数据扰动机制，属于机器学习隐私与安全技术领域。首先，在获取轨迹训练数据集后，根据用户对记录联动攻击、属性联动攻击和成员推理攻击的防御要求，构建隐私扰动参数取值范围公式，隐私扰动参数的取值范围公式构成隐私模型。其次，基于轨迹训练数据集的相关参数构建隐私扰动参数取值公式形成数据可用性模型，结合隐私模型得出隐私扰动参数最优取值。最后，在获得隐私扰动参数集之后，使用符合本地化差分隐私的扰动机制对轨迹训练数据集进行扰动。本发明通过本地隐私扰动的方式，基于隐私模型和可用性约束，在保证用户数据隐私的同时，保障数据可用性，一定程度上解决训练数据和学习模型的隐私可用均衡的问题。