协同预测中隐私保护方法的批判性综述
机器学习
2020-10-13 v6 机器学习
摘要
不同数据所有者之间的合作可能会提升预测质量——例如通过利用地理分布时间序列中的时空依赖性。由于商业竞争因素与个人数据保护问题，上述数据所有者可能不愿共享其数据，这增加了人们对协同隐私保护预测的兴趣。本文分析了现有技术水平，并揭示了采用向量自回归(VAR)模型时现有方法在保证数据隐私方面的若干缺陷。本文还提供了数学证明与数值分析以评估现有的隐私保护方法，并将其分为三类：数据变换、安全多方计算和分解方法。分析表明，现有技术水平的技术在保护数据隐私方面存在局限性，例如隐私与预测精度之间的权衡；而在共享中间结果的迭代模型拟合过程中，原始数据在若干次迭代后可能会被推断出来。
引用
@article{arxiv.2004.09612,
title = {A Critical Overview of Privacy-Preserving Approaches for Collaborative Forecasting},
author = {Carla Gonçalves and Ricardo J. Bessa and Pierre Pinson},
journal= {arXiv preprint arXiv:2004.09612},
year = {2020}
}