摘要：为在同等隐私保护强度下提高数据的分类准确率,在Diff Gen算法基础上提出一种改进的差分隐私数据算法Gini Diff。该算法将原始数据集完全泛化,在每轮迭代中通过指数机制选择特化方案,并以构建决策树的方式将特化后的记录划归到新的等价类,使用拉普拉斯机制为等价类计数添加噪声并生成数据集。运用基尼系数增益衡量不同特化方案的可用性,合理分配隐私预算并动态计算其消耗,数据集的可用性得到有效提高。实验结果表明,该算法的数据在分类准确率方面优于Diff Gen,接近理想水平。