纵向划分多方学习中差分隐私的实现
机器学习
2019-11-13 v1 计算机与社会
分布式、并行与集群计算
机器学习
摘要
在集中式设置下，保护差分隐私已得到充分研究。然而，在多方设置下保护差分隐私极具挑战性，尤其是对于纵向划分的情况。在这项工作中，我们提出了一种用于纵向划分设置下差分隐私保护多方学习的新框架。我们的核心思想基于函数机制，该机制通过对目标函数添加噪声来实现所发布模型的差分隐私。我们表明服务器可以简单地将目标函数分解为单方和跨方子函数，并将其多项式系数的计算与扰动分配给本地各方。我们的方法仅需一轮噪声添加和安全聚合。我们框架中发布的模型达到了与在集中式设置下应用函数机制相同的效用。对真实世界和合成数据集上线性回归与逻辑回归的评估显示了我们提出方法的有效性。
引用
@article{arxiv.1911.04587,
title = {Achieving Differential Privacy in Vertically Partitioned Multiparty Learning},
author = {Depeng Xu and Shuhan Yuan and Xintao Wu},
journal= {arXiv preprint arXiv:1911.04587},
year = {2019}
}