时空数据隐私保护共享的群体学习方法研究OA北大核心CSTPCD

实现时空数据的共享流通及协同分析能够挖掘数据潜在价值、助力地理信息产业发展,但私有数据的隐私泄露抑制了时空数据的共享.为了在进一步推动时空数据共享程度、优化共享效果的同时兼顾参与方经济效益及合法权益,提出了一种时空数据隐私保护共享的群体学习(spatio-temporal data privacy preserving sharing swarm learning,STDPPS-SL)方法.首先,构建基于群体学习的多参与方时空数据共享网络,保护参与方数据所有权,实现数据内容不泄漏且参与方权益平等的时空数据共享;其次,提出基于t分布的差分隐私随机梯度下降算法,防止共享过程中因隐私泄露导致参与方私有数据保密性被破坏,从而造成参与方经济损失;最后,设计打分系统量化参与方可信程度,保证数据共享结果可信.理论分析证明,本文所提方法(STDPPS-SL)满足严格差分隐私,能够保护参与方的私有数据所有权.在公开数据集上的对比实验表明,该方法(STDPPS-SL)能够实现参与方隐私保护的时空数据共享,并且兼顾安全性与可用性.