Page 501 - 《软件学报》2025年第7期

3422 软件学报 2025 年第 36 卷第 7 期

*
从图 5(a) 和图 5(b) 中可以看出, 进行初始化的 NATURE 算法的效果显著好于不进行初始化的 NATURE 算法,
精度提升 10% 左右. 从图 5(c) 和图 5(d) 中可以看出, 在不同的算法初始化下, NATURE 算法仍保持较为稳定的迭代
次数. 如表 2 所示, 在不采用初始化下, 算法的迭代次数有所提高, 这验证了初始化的作用, 也与非隐私下的发现一致.

0.5 0.3
NATURE * NATURE *
NATURE NATURE

0.4
MAE Change 0.3 MAE Change 0.2

0.1

0.2 0
0.01 0.1 0.3 0.5 0.5 1.0 0.01 0.1 0.3 0.5 0.5 1.0
ε ε
(a) Pop: 初始值对精度的影响 (b) For: 初始值对精度的影响
1 500 700
initialization1 initialization1
1 400
initialization2 initialization2
initialization3 initialization3
1 300 600
initialization4 initialization4
1 200 initialization5 initialization5
1 100
500
1 000
J J
900
400
800
700
600 300
500
400 200
4 6 8 10 12 14 2 4 6 8 10 12
iteration iteration
(c) Pop: 初始值对迭代次数的影响 (d) For: 初始值对迭代次数的影响
图 5 初始值的影响

表 2 初始值对迭代次数的影响

数据集 不初始化 迭代次数
initialization1 * 12
initialization2 * 14
Pop initialization3 * 13
initialization4 * 14
initialization5 * 12
*
initialization1 9
*
initialization2 7
*
For initialization3 8
*
initialization4 7
*
initialization5 8
注: *表示不采用第1阶段结果初始化下的迭代次数, 也就是随机初始化

(4) NWIE 有效性
NWIE 主要包含根据内源性的高斯噪音和注入的拉普拉斯噪音来同时估算工人的质量和任务的重要性, 因此