基于极端梯度提升特征重要性的K-匿名特征选择

摘要：

随着大数据时代的到来,数据在带来价值的同时,也损害了隐私.文章主要对关系型数据发布时的隐私保护模型进行了研究,针对K-匿名算法导致分类挖掘性能下降的问题,提出了基于极端梯度提升特征重要性的k-匿名特征选择算法XGB-KA,对满足k-匿名的特征子集进行了优选.通过与Greedy-Hamdist算法进行对比实验,验证了XGB-KA算法的有效性.

关键词：数据挖掘、隐私保护、k-匿名、特征选择、极端梯度提升

所属期刊栏目：11

分类号：TP274(自动化技术及设备)

在线出版日期：2020-09-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：70-74