从多方数据中进行隐私学习
机器学习
2016-02-12 v1 密码学与安全
摘要
从多个参与方收集的私有数据学习分类器是一个重要问题，具有许多潜在应用。我们如何在无法访问任何一方私有数据的情况下，通过组合不同方本地训练的分类器，构建一个准确且差分隐私的全局分类器？我们提出通过首先从辅助无标签数据生成有标签数据，然后训练一个全局 -差分隐私分类器，来迁移本地分类器集成体的“知识”。我们指出多数投票过于敏感，因此提出一种由集成体估计的类别概率加权的新型风险。相对于非隐私方案，我们的隐私方案的泛化误差上界为 ，其中 为参与方数量。这使得在 较大（例如群智感知应用中）时能够实现强隐私而无性能损失。我们通过活动识别、网络入侵检测和恶意 URL 检测等实际任务展示了我们方法的性能。
引用
@article{arxiv.1602.03552,
title = {Learning Privately from Multiparty Data},
author = {Jihun Hamm and Paul Cao and Mikhail Belkin},
journal= {arXiv preprint arXiv:1602.03552},
year = {2016}
}