高效的差分隐私学习改进药物敏感性预测

个性化推荐系统的用户面临一个困境：推荐可通过从数据中学习得以改进，但这只有当其他用户愿意共享其私人信息时才能实现。良好的个性化预测在精准医学中至关重要，但预测所基于的基因组信息尤其敏感，因为它直接识别患者因而难以匿名化。差分隐私已成为一种潜在有前景的解决方案：若个体患者的存在与否无法区分，则认为隐私充足。然而，当前方法的差分隐私学习无法以可行数据大小和维度改进预测。在此我们展示，在强差分隐私保证下，甚至从中等规模数据集，可以学习到有用的预测器，并通过一种新型鲁棒私有回归方法在私有药物敏感性预测准确性上的显著提升来证明。该方法结合了近期提案中甚至未具备的两个关键性质，可推广到其他预测器：我们证明其渐近一致且高效私有，并展示其在有限数据上表现良好。有限数据上的良好性能通过降低维度减少私有信息共享并将异常值投影以适配更紧边界来实现，从而需为同等隐私添加更少噪声。由于这一简单易实现的方法已在具挑战性的基因组数据上展现出前景，我们预期除亟需的精准医学解决方案外，在移动感知和社交媒体等许多领域将快速走向实际应用。