高维广义加性混合模型的隐私保护无损分布式估计
机器学习
2023-03-13 v2 密码学与安全
机器学习
摘要
近年来已发展出多种在数据分析中尊重个体隐私的隐私保护框架。然而,现有模型类别如简单统计量或广义线性模型缺乏在实践中良好近似底层数据生成过程所需的灵活性。本文提出一种利用分量梯度提升(CWB)对广义加性混合模型(GAMM)进行分布式、隐私保护且无损估计的算法。利用CWB可将GAMM估计重构为基于损失的基学习器分布式拟合。为考虑不同数据站点的异质性,我们提出行向张量积的分布式版本,以计算站点特定的(平滑)效应。我们对CWB的改造保留了原算法所有重要性质,如无偏特征选择及在高维特征空间中拟合模型的可行性,并产生与合并数据上CWB等效的模型估计。除推导两算法等效性外,我们还在分布式心脏病数据集上展示了算法效能,并与最先进方法进行比较。
引用
@article{arxiv.2210.07723,
title = {Privacy-Preserving and Lossless Distributed Estimation of High-Dimensional Generalized Additive Mixed Models},
author = {Daniel Schalk and Bernd Bischl and David Rügamer},
journal= {arXiv preprint arXiv:2210.07723},
year = {2023}
}