云环境下基于差分方法与分类服务的数据隐私保护机器学习模型
密码学与安全
2022-12-21 v1
摘要
计算与存储能力的迅猛增长已将本地数据和机器学习应用推向云环境。由于云环境由第三方管理，数据所有者可能并不完全信任它。然而，在与多个利益相关方共享数据及分类器的同时维持隐私是一项关键挑战。本文提出一种基于差分隐私与机器学习方法的新模型，使多个所有者能够在云环境中共享其数据以供利用，并使分类器能够为用户提供分类服务。为处理所有者的数据与分类器，该模型在各种不可信方之间规定了一种通信协议。所提模型还提供了一种鲁棒机制以保护数据和分类器的隐私。实验在多个数据集上针对朴素贝叶斯分类器进行，以计算所提模型的效率。所得结果表明，与现有最优工作相比，所提模型的准确率、精确率、召回率和 F1 分数分别高达 94%、95%、94% 和 94%，且分别提升了高达 16.95%、20.16%、16.95% 和 23.33%。
引用
@article{arxiv.2212.10177,
title = {A Differential Approach for Data and Classification Service based Privacy-Preserving Machine Learning Model in Cloud Environment},
author = {Rishabh Gupta and Ashutosh Kumar Singh},
journal= {arXiv preprint arXiv:2212.10177},
year = {2022}
}