基于秘密共享的实用隐私保护高斯过程回归
密码学与安全
2023-06-27 v1 机器学习
摘要
高斯过程回归（GPR）是一种非参数模型，已用于许多涉及来自多个数据所有者的敏感个人数据（例如医疗、金融等）的实际应用。为充分且安全地利用不同数据源的价值，本文提出一种基于秘密共享（SS）的隐私保护GPR方法，SS是一种安全多方计算（SMPC）技术。与现有通过同态加密、差分隐私或联邦学习保护GPR数据隐私的研究不同，我们提出的方法更实用，可用于在各种数据共享场景（例如横向/纵向划分数据）中保护模型输入与输出的数据隐私。然而，直接将SS应用于常规GPR算法并非易事，因为其中包含一些在当前SMPC协议中精度或效率尚未得到良好提升的操作。为解决此问题，我们通过“混淆-校正”思想推导了一种新的基于SS的指数运算，并基于Cholesky分解构建了基于SS的矩阵求逆算法。更重要的是，我们从理论上分析了所提基于SS的运算的通信代价与安全性。实证结果表明，我们的方法在保护数据隐私的前提下能取得合理的精度与效率。
引用
@article{arxiv.2306.14498,
title = {Practical Privacy-Preserving Gaussian Process Regression via Secret Sharing},
author = {Jinglong Luo and Yehong Zhang and Jiaqi Zhang and Shuang Qin and Hui Wang and Yue Yu and Zenglin Xu},
journal= {arXiv preprint arXiv:2306.14498},
year = {2023}
}
备注
Accepted for the 39th Conference on Uncertainty in Artificial Intelligence (UAI 2023)