分布式数据上的差分隐私贝叶斯学习
机器学习
2017-05-30 v2 密码学与安全
机器学习
统计计算
摘要
机器学习的许多应用（例如医疗保健）将受益于能够保证数据主体隐私的方法。差分隐私（Differential Privacy, DP）已成为保护学习结果的标准。标准的 DP 算法要求单一可信方能够访问全部数据，这是一个明显的弱点。我们考虑分布式环境下的 DP 贝叶斯学习，其中每一方仅持有一个或少数几个数据样本。我们提出了一种基于安全多方求和函数来聚合数据持有者摘要，并使用高斯机制实现 DP 的学习策略。我们的方法建立在渐近最优且实际高效的 DP 贝叶斯推断之上，其额外开销快速递减。
引用
@article{arxiv.1703.01106,
title = {Differentially Private Bayesian Learning on Distributed Data},
author = {Mikko Heikkilä and Eemil Lagerspetz and Samuel Kaski and Kana Shimizu and Sasu Tarkoma and Antti Honkela},
journal= {arXiv preprint arXiv:1703.01106},
year = {2017}
}
备注
13 pages, 7 figures. Modified text, changed algorithm used, included tests on additional dataset, fixed several errors, added proof of asymptotic efficiency to supplement