We consider differentially private

We consider differentially private frequent itemset mining.
We begin by exploring the theoretical difficulty of simultaneously
providing good utility and good privacy in this task.
While our analysis proves that in general this is very difficult,
it leaves a glimmer of hope in that our proof of difficulty
relies on the existence of long transactions (that is, transactions
containing many items). Accordingly, we investigate
an approach that begins by truncating long transactions,
trading off errors introduced by the truncation with those
introduced by the noise added to guarantee privacy. Experimental
results over standard benchmark databases show
that truncating is indeed effective. Our algorithm solves the
“classical” frequent itemset mining problem, in which the
goal is to find all itemsets whose support exceeds a threshold.
Related work has proposed differentially private algorithms
for the top-k itemset mining problem (“find the k most frequent
itemsets”.) An experimental comparison with those
algorithms show that our algorithm achieves better F-score
unless k is small.

Kết quả (Việt) 1:

Chúng tôi xem xét differentially riêng thường xuyên itemset khai thác mỏ.Chúng tôi bắt đầu bằng cách khai thác những khó khăn lý thuyết của cùng một lúccung cấp các tiện ích tốt và bảo mật tốt trong công việc này.Trong khi chúng tôi phân tích chứng minh rằng nói chung đây là rất khó khăn,nó lá một glimmer của hy vọng trong đó chúng tôi bằng chứng khó khănDựa vào sự tồn tại của dài giao dịch (có nghĩa là, giao dịchcó nhiều mặt hàng). Theo đó, chúng tôi điều tramột cách tiếp cận bắt đầu bằng cách cắt bớt dài giao dịch,kinh doanh ra lỗi giới thiệu bởi truncation với những ngườigiới thiệu bởi tiếng ồn thêm để đảm bảo bảo mật. Thử nghiệmHiển thị kết quả trên cơ sở dữ liệu tiêu chuẩn điểm chuẩncắt bớt đó là thực sự hiệu quả. Thuật toán của chúng tôi giải quyết các"cổ điển" thường xuyên itemset khai thác vấn đề, trong đó cácmục tiêu là tìm tất cả itemsets hỗ trợ mà vượt quá ngưỡng một.Liên quan đến công việc đã đề xuất thuật toán differentially riêngcho đầu-k itemset khai thác vấn đề ("tìm thấy sự k thường xuyên nhấtitemsets".) Một so sánh thử nghiệm với những ngườithuật toán Hiển thị rằng thuật toán của chúng tôi đạt được F-điểm số tốt hơntrừ khi k là nhỏ.