外包数据上的决策树分类
机器学习
2016-10-20 v1 密码学与安全
数据库
摘要
本文提出一种针对外包私有数据的客户端-服务器决策树学习方法。隐私模型是解剖/分片：服务器看到数据值，但敏感信息与标识信息之间的链接用仅有客户端知道的密钥加密。客户端的处理和存储能力有限。因此敏感信息和标识信息都存储在服务器上。所提出的方法还将大部分处理保留在服务器端，客户端处理分摊到客户端所做的预测上。在各种数据集上的实验表明，该方法产生的决策树接近非私有决策树的准确率，同时大幅降低了客户端的计算资源需求。
引用
@article{arxiv.1610.05796,
title = {Decision Tree Classification on Outsourced Data},
author = {Koray Mancuhan and Chris Clifton},
journal= {arXiv preprint arXiv:1610.05796},
year = {2016}
}
备注
Presented in the Data Ethics Workshop at the 20th ACM SIGKDD Conference on Knowledge Discovery and Data Mining