Fuzzy Prediction Model in Privacy Protection: Takagi–Sugeno Rules Model via Differential Privacy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rule–based fuzzy models have modular architectures and come with well-developed design methodologies such that they can build accurate models with good interpretabilities in system modeling. However, a large amount of private data needs to be used for statistical analysis and forecasting in rule–based fuzzy models. The purpose of this study is to build an intelligent model with high accuracy and versatility under the premise of data privacy and model security. To mitigate the risk of malicious attacks on privacy data during the analysis process, we have employed highly regarded differential privacy techniques to devise a novel rule-based fuzzy modeling approach. We propose a function approximation mechanism to reconstruct the objective function and add a perturbation mechanism to the objective function in Takagi-Sugeno rules model. Taking into account the delicate balance between data privacy and utility, we have innovatively introduced a Takagi-Sugeno rule-based model based on differential privacy. This model is applicable to both linear and nonlinear systems, offering protection to sensitive data privacy and model security within the system. We investigate the relationship between the interpretability of the model and the degree of privacy protection. By constructing a reasonable rule base, we achieve higher accuracy than other system modeling methods based on differential privacy. This paper compares the influence of the number of rules on differential privacy, and considers the algorithm performance under various noise distributions. It is shown that the Takagi-Sugeno rules model based on differential privacy has a strong ability to predict and analyze data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,010 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle