申请/专利权人：暨南大学

申请日：2024-04-02

公开（公告）日：2024-06-25

公开（公告）号：CN118245882A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/214;G06F18/25;G06F18/26

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明公开了一种面向敏感数据分类的多粒度属性遗忘方法，步骤如下：计算输入数据的全局知识粒度大小，通过迭代剔除数据中的冗余属性，得到不可约简属性集并进行迭代获取不同粒度大小的模糊决策规则，通过规则融合计算不同粒度大小模糊决策规则对应的最优权重并建立线性模型，通过聚合输入数据与各个线性模型的映射结果预测输入数据的类别，通过删除受该属性影响的线性模型并保留不受影响的线性模型来完成属性遗忘和更新模型。本发明通过属性简约和多粒度模糊决策规则提取提高了数据规则挖掘效率和质量；基于多粒度规则融合框架构建的模型有可解释和低耦合的特点，在保持分类性能的同时能高效完成属性遗忘任务。

主权项：1.一种面向敏感数据分类的多粒度属性遗忘方法，其特征在于，所述多粒度属性遗忘方法包括以下步骤：S1、输入信用卡欺诈训练数据Dtrain，将训练数据Dtrain分为数据属性值Xtrain和标签值labeltrain；S2、计算输入数据的全局知识粒度大小：计算数据属性值Xtrain对应的知识粒度大小GKUD|C；S3、获取不可约简属性集：D为标签值labeltrain对应的属性集，C为数据属性值Xtrain对应的属性集，对属性集C执行迭代，每次选中一个子属性c，计算移除对应子属性数据后的数据属性值的知识粒度大小GKUD|C-{c}，若GKUD|C-{c}不等于GKUD|C则移除该属性，否则保留该属性，得到不可简约属性集B；S4、获取多粒度模糊决策规则集：对不可简约属性集B执行迭代，每次选中一个子属性，挖掘移除对应子属性数据后的数据属性值对应的模糊决策规则集，得到n个不同粒度大小的模糊决策规则集其中是规则集的前键矩阵，Y是规则集的后键矩阵；S5、规则融合：对所有的模糊决策规则集执行规制融合，得到对应的属性权重，对执行奇异值分解得到伪逆矩阵X+，让伪逆矩阵X+与Y点乘得到规则集对应的属性权重θ1；S6、子模型生成：利用得到的m个属性权重分别生成m个对应不同粒度规则集的子模型fx；θ1,fx；θ2,...,fx；θm；S7、基于子模型聚合分类：将fx；θ1,fx；θ2,...,fx；θm输出结果集作为分类依据，利用投票聚合策略对同类型信用卡欺诈真实数据进行分类，并输出分类结果；S8、处理属性遗忘任务：假如b为需要遗忘的属性，则判断属性b是否属于不可约简属性集B，若属于则更新受到影响的规则集以及相关的子模型，并根据步骤S4和S5重新计算删除该属性后的规则集以及相关的子模型，否则不作处理。

全文数据：

权利要求：

百度查询： 暨南大学 一种面向敏感数据分类的多粒度属性遗忘方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD