一种基于ExtraTrees的差分隐私保护算法
来源：计算机工程杂志2020年第2期北京时间：
作者：李杨, 陈子彬, 谢光强
单位：广东工业大学 计算机学院, 广州 510006
摘要：为在同等隐私保护级别下提高模型的预测准确率并降低误差，提出一种基于ExtraTrees的差分隐私保护算法DiffPETs。在决策树生成过程中，根据不同的准则计算出各特征的结果值，利用指数机制选择得分最高的特征，通过拉普拉斯机制在叶子节点上进行加噪，使算法能够提供ε-差分隐私保护。将DiffPETs算法应用于决策树分类和回归分析中，对于分类树，选择基尼指数作为指数机制的可用性函数并给出基尼指数的敏感度，在回归树上，将方差作为指数机制的可用性函数并给出方差的敏感度。实验结果表明，与决策树差分隐私分类和回归算法相比，DiffPETs算法能有效降低预测误差。
关键词：差分隐私,ExtraTrees算法,分类,回归分析,决策树
基金资助：国家自然科学基金（61472089）；广东省科技计划项目（2014B010103005，2016A040403078）；NSFC-广东联合基金项目（U1501254）。
