差分隐私K均值算法

一种改进的差分隐私K-means算法，通过优化初始聚类中心选择并为每个簇分配不同的隐私强度，在保护隐私的同时提升聚类可用性。

Mingyang, Ma · 杨洪勇 · 刘飞

Lecture Notes in Computer Science 2023

技术优势

初始中心更合理

采用簇内误差平方和（SSE）选择初始聚类中心，避免随机初始化导致的聚类结果不稳定和可用性下降。

隐私预算智能分配

根据轮廓系数为每个簇计算并分配不同的隐私强度，在整体隐私预算不变的前提下提高聚类可用性。

应用场景

• 隐私保护数据挖掘：在不暴露个体数据的前提下完成聚类分析，满足数据发布和共享中的隐私合规要求。
• 数据聚类：获得更稳定的聚类结果和更高的聚类可用性，适用于需要高质量分组的场景。
• 差分隐私：通过可证明的隐私保护技术，在聚类任务中提供严格的隐私保证，防止成员推理攻击。