一种用于隐私保护机器学习的压缩多核方法
机器学习
2021-06-22 v1 密码学与安全
机器学习
摘要
随着分析工具变得更加强大，以及每日生成的数据越来越多，数据隐私问题随之出现。这促使了对隐私保护机器学习算法设计的研究。鉴于效用最大化和隐私损失最小化两个目标，本工作基于两个先前无交集的体系——压缩隐私（Compressive Privacy）和多核方法。压缩隐私是一种采用保留效用的有损编码方案来保护数据隐私的隐私框架，而多核方法是一种基于核的机器学习体系，探索使用多个核来构建更好预测器的思想。所提出的压缩多核方法包括两个阶段——压缩阶段和多核阶段。压缩阶段遵循压缩隐私范式以提供所需的隐私保护。每个核矩阵都用从判别成分分析（DCA）导出的有损投影矩阵进行压缩。多核阶段使用每个核的信噪比（SNR）分数来非均匀地组合多个压缩核。所提出的方法在两个移动感知数据集——MHEALTH 和 HAR——上进行评估，其中活动识别定义为效用，人员识别定义为隐私。结果表明，压缩体系在隐私保护方面是成功的，因为在所有实验中隐私分类准确率几乎处于随机猜测水平。另一方面，新颖的基于 SNR 的多核在这两个数据集上的效用分类准确率均优于最先进的（SOTA）方法。这些结果指明了隐私保护机器学习研究的一个有前景的方向。
引用
@article{arxiv.2106.10671,
title = {A compressive multi-kernel method for privacy-preserving machine learning},
author = {Thee Chanyaswad and J. Morris Chang and S. Y. Kung},
journal= {arXiv preprint arXiv:2106.10671},
year = {2021}
}
备注
Published in 2017 International Joint Conference on Neural Networks (IJCNN). IEEE, 2017