论文研究基于差分隐私的不确定数据频繁项集挖掘算法.pdf

针对Lossy Counting算法,即一个基于计数的确定性方案,提出一种新的基于权重的流数据频繁项挖掘算法(Lossy Weight),扩展了流数据频繁项的作用域。Lossy Weight算法不仅可

本文档重点说明了关于时间敏感数据流上的频繁项集挖掘算法，为数据挖掘专业开发人员提供相关帮助

数据中不确定性的存在使对其聚类分析时要充分考虑不确定性的影响。针对现有不确定数据聚类算法中构建不确定数据模型以及距离度量时存在的影响结果准确性与聚类性能等问题,提出一种基于快速高斯变换的不确定数据聚类

不确定数据管理的一点探讨，陈杰，高明，不确定数据管理在近些年受到了学术和工业界的广泛关注。本文首先分析了不确定数据产生的原因。然后详细介绍了可能世界模型以及不

针对当前算法从加权项事务数据库挖掘频繁加权项集（FWI）时效率不高的问题，提出了一种基于加权项集-Tidset树结构的FWI快速挖掘算法。首先，提出了一种加权项集-Tidset树结构；然后，使用最小加

针对传统视觉词袋（BagOfVisualWords，BOVW）模型缺少空间信息，且不能充分表达图像所属类别共有特征的问题，提出一种基于最大频繁项集的视觉词袋表示方法。该方法在排除孤立特征点的基础上，引

差分隐私保护通过添加噪声使数据失真,从而起到保护隐私的目的,对于一个严格定义下的攻击模型,其具有添加噪声少、隐私泄露风险低的优点。介绍了差分隐私保护的理论基础和最新研究进展,详细阐述了分类、聚类等差分

针对现有频繁闭项目集挖掘算法存在的不足，提出了一种基于粒度计算的频繁闭项目集挖掘算法。通过混合进制数的变化来生成候选项目集，避免使用了复杂的数据结构，减少了内存和CPU的开销;利用粒度计算的分而治之思

基于Apriori算法的频繁项集Hadoopmapreduce

FP-Growth算法是基于FP树挖掘频繁项目集的经典算法，为提高FP-Growth算法挖掘大规模数据频繁项目集的效率，提出了一种基于FP-Growth的频繁项目集并行挖掘算法FPPM。该算法基于Ma