差分私有堆叠泛化及其在糖尿病预测中的应用
机器学习
2019-06-04 v3 人工智能
机器学习
摘要
为满足差分隐私标准，通常向原始数据中添加噪声，这不可避免地损害了后续学习算法的预测性能。在本文中，受集成学习提升预测性能成功的启发，我们提出通过堆叠来增强隐私保护逻辑回归。我们表明这可以通过基于样本的划分或基于特征的划分来实现。然而，我们证明在隐私预算相同的情况下，基于特征的划分比基于样本的划分需要更少的样本，因此可能具有更好的经验性能。由于迁移学习难以与差分隐私保证相整合，我们进一步将所提方法与假设迁移学习相结合，以解决跨不同组织学习的问题。最后，我们不仅在两个基准数据集（即 MNIST 和 NEWS20）上展示了方法的有效性，还将其应用于 RUIJIN 数据集的跨组织糖尿病预测实际应用中，其中隐私至关重要。
引用
@article{arxiv.1811.09491,
title = {Differential Private Stack Generalization with an Application to Diabetes Prediction},
author = {Quanming Yao and Xiawei Guo and James T. Kwok and WeiWei Tu and Yuqiang Chen and Wenyuan Dai and Qiang Yang},
journal= {arXiv preprint arXiv:1811.09491},
year = {2019}
}