一种可扩展的隐私保护协作机器学习方法
机器学习
2020-11-05 v1 密码学与安全
信息论
math.IT
机器学习
摘要
我们考虑一种协作学习场景，其中多个数据拥有者希望联合训练一个逻辑回归模型，同时保持各自的数据集对其他参与方私密。我们提出 COPML，一个完全去中心化的训练框架，可同时实现可扩展性与隐私保护。COPML 的核心思想是对各个数据集进行安全编码，以将计算负载有效分配到多个参与方，并在安全编码的数据上以分布式方式执行训练计算及模型更新。我们提供了 COPML 的隐私分析并证明其收敛性。此外，我们通过实验证明，相较于基准协议，COPML 在训练上可实现显著的加速。我们的协议针对具有无限计算能力的合谋参与方（对手）提供强统计隐私保证，同时在训练时间上相较基准协议实现高达 的加速。
引用
@article{arxiv.2011.01963,
title = {A Scalable Approach for Privacy-Preserving Collaborative Machine Learning},
author = {Jinhyun So and Basak Guler and A. Salman Avestimehr},
journal= {arXiv preprint arXiv:2011.01963},
year = {2020}
}