软件学报

作者：王树兰，邱瑶，赵陈斌，邹家须，王彩芬

单位：王树兰，深圳技术大学 大数据与互联网学院, 广东 深圳 51811811,邱瑶，深圳技术大学 大数据与互联网学院, 广东 深圳 51811802,赵陈斌，空天信息安全与可信计算教育部重点实验室 (武汉大学 国家网络安全学院), 湖北 武汉 43007203,邹家须，深圳技术大学 大数据与互联网学院, 广东 深圳 51811804,王彩芬，深圳技术大学 大数据与互联网学院, 广东 深圳 51811805

关键词：随机森林;差分隐私;隐私预算;重排翻转;扰动方式

基金：国家自然科学基金(61702341); 深圳技术大学深圳市高等院校稳定支持项目(SZWD2021012); 深圳技术大学研究生校企合作研究基金(20223108010009)

差分隐私凭借其强大的隐私保护能力被应用在随机森林算法解决其中的隐私泄露问题, 然而, 直接将差分隐私应用在随机森林算法会使模型的分类准确率严重下降. 为了平衡隐私保护和模型准确性之间的矛盾, 提出了一种高效的差分隐私随机森林训练算法eDPRF (efficient differential privacy random forest). 具体而言, 该算法设计了决策树构建方法, 通过引入重排翻转机制高效地查询输出优势, 进一步设计相应的效用函数实现分裂特征以及标签的精准输出, 有效改善树模型在扰动情况下对于数据信息的学习能力. 同时基于组合定理设计了隐私预算分配的策略, 通过不放回抽样获得训练子集以及差异化调整内部预算的方式提高树节点的查询预算. 最后, 通过理论分析以及实验评估, 表明算法在给定相同隐私预算的情况下, 模型的分类准确度优于同类算法.

来源：2025年第7期

《软件学报》期刊编辑部

查看软件学报杂志2025年第7期