Privacy Quantification Model Based on the Bayes Conditional Risk in Location-Based Services

The widespread use of Location-Based Services(LBSs),which allows untrusted service providers to collect large quantities of information regarding users’locations,has raised serious privacy concerns.In response to these issues,a variety of LBS Privacy Protection Mechanisms(LPPMs)have been recently proposed.However,evaluating these LPPMs remains problematic because of the absence of a generic adversarial model for most existing privacy metrics.In particular,the relationships between these metrics have not been examined in depth under a common adversarial model,leading to a possible selection of the inappropriate metric,which runs the risk of wrongly evaluating LPPMs.In this paper,we address these issues by proposing a privacy quantification model,which is based on Bayes conditional privacy,to specify a general adversarial model.This model employs a general definition of conditional privacy regarding the adversary’s estimation error to compare the different LBS privacy metrics.Moreover,we present a theoretical analysis for specifying how to connect our metric with other popular LBS privacy metrics.We show that our privacy quantification model permits interpretation and comparison of various popular LBS privacy metrics under a common perspective.Our results contribute to a better understanding of how privacy properties can be measured,as well as to the better selection of the most appropriate metric for any given LBS application.     

基于VMD-BO-BiLSTM的猪肉价格预测模型

基于猪肉价格的非线性与波动性特性，提出一种基于变分模态分解（variational modal decomposition, VMD）和贝叶斯优化（Bayesian optimization, BO）的双向长短时记忆（bidirectional long short-term memory, BiLSTM）网络的猪肉价格预测方法。首先采用变分模态分解对数据进行预处理，将数据分解为具有相对简单波动的子序列；然后通过贝叶斯算法对双向长短时记忆网络模型的第1、2隐含层神经元数目、学习率和批次大小进行寻优，根据寻优的结果建立预测模型。实验结果表明：VMD-BO-BiLSTM方法的平均绝对误差、均方根误差、平均绝对百分比误差和确定系数分别为1.101 214、1.466 100、0.040 631、0.987 760，相比传统单一的LSTM,BiLSTM模型精确度更高，有更高的适用性，适合对猪肉价格预测。     

基于贝叶斯方法的Meta-分析

本文基于贝叶斯Meta-分析给出了Jeffreys无信息先验B(1/2,1/2)时的链接分布,并将其进行推广,给出了先验分布为B(α,β)时的链接分布。     

非正态响应稳健参数设计的贝叶斯建模与优化

针对非正态响应的稳健参数设计问题，提出一种考虑噪声因子的贝叶斯建模与参数优化方法。首先，考虑经验贝叶斯先验信息，利用贝叶斯广义线性模型构建设计因子与输出响应之间的函数关系；其次，假设噪声因子服从已知的分布，在此基础上利用贝叶斯抽样技术获得考虑噪声因子波动的输出响应模拟抽样值；然后，在给定产品规格的基础上，利用输出响应的抽样值构建符合性后验概率函数，并利用遗传算法对所构建的符合性后验概率函数进行优化，获得对噪声因子波动具有稳健性的参数设计值；最后，结合实际的案例验证了所提方法的有效性。研究结果表明，所提方法有效地刻画了噪声因子的波动对产品或过程质量的影响，从而获得了更为稳健可靠的参数设计值。     

基于改进MSPCA的网络异常检测方法研究

网络异常检测作为一种重要的网络监管手段,对于保证网络的可靠运行具有非常重要的意义.本文提出了一种基于改进MSPCA的网络异常检测算法,主要思想是通过引入能量贡献效率ECE来控制PCA滤波器的尺度,之后,采用贝叶斯PCA对小波系数矩阵进行滤波.该算法克服了传统MSPCA算法参数选择困难和时间复杂度较高的缺点,可以更加有效地分离网络中的异常数据.实验结果表明,与其他的检测算法相比,改进MSPCA的检测算法取得了良好的检测效果.     

基于近似贝叶斯计算方法的排队模型参数估计

基于贝叶斯推断对单服务台的马尔科夫与非马尔科夫系统下的4个排队模型做参数估计与效果评价,并对银行排队叫号换汇数据做实证研究。采用近似贝叶斯计算的方法有效解决复杂排队模型似然函数难解析表达的问题。利用R中queue computer包给出M/M/1,M/G/1,G/M/1,GI/GI/1这4个排队模型的到达时间与服务时间的参数估计及后验分布图。其中M/M/1:估计值(真实值)分别约为1.02(1)、 1.12(1/0.9),都与真实值接近;M/G/1:1.17(1)、1.21(1.2),对服务时间的估计效果优于到达时间;G/M/1:0.49(0.5)、0.96(1),从后验分布进一步得到对服务时间的估计更准确;GI/GI/1:1.16(1.1)、1.07(1)、0.23(0.251)、0.22(0.25),各分量的估计值与真实值相对接近。对于实际银行数据,估计得的参数所拟合的数据与Ausin的拟合数据分布接近。研究表明,近似贝叶斯的方法在排队模型的参数估计上有较大优势,在实际数据中取得了较好应用。     

基于病例对照母子对数据的遗传关联分析中的经验贝叶斯方法（英文）

病例对照母子对数据常用于研究母亲和子代的遗传效应以及环境风险因子对产科和早期生命表型的影响。回溯似然方法可以充分利用已有的信息，如孟德尔遗传、母亲环境因子（协变量）在给定母亲基因型下与子代基因型的条件独立性，从而有效地提高统计推断。如对母亲基因型和环境变量之间不作任何关系假设，则相应估计量比较稳健。而假设母亲基因型和环境变量独立下的估计量可以显著提高统计推断效率，但是当独立性假设不成立时会有系统偏差。本文通过对上述基于回溯似然的两个估计量进行适当的加权，得到了两个经验贝叶斯（empirical Bayes,EB）估计量，这两个EB估计量可以直观地平衡统计效率和稳健性。我们对两个EB估计量建立渐近正态性，并利用该渐近正态性构建遗传效应和基因-环境交互效应的置信区间和显著性检验。模拟和实际数据分析说明了我们新方法的表现。     

产生式与判别式分类方法比较研究

分类是数据挖掘领域研究的热点,产生式与判别式是数据挖掘中两种不同的分类模型。产生式模型具有通用性、灵活性及清晰的分层结构,学习得到的模型很容易满足模型解释要求;判别式模型没有明显的对系统中变量的基本分布建模的企图,仅仅对输入到输出之间映射的最优化感兴趣,可以提供更好的分类性能。从准确率、建模时间及渐进误差等方面对产生式与判别式分类方法进行了分析与比较,为研究人员在分类模型的选择上提供了参考。