基于随机森林的隐私保护协同预测
机器学习
2018-11-22 v1 机器学习
摘要
我们研究集成方法的隐私保护机器学习(PPML)问题，重点放在随机森林上。在协同分析中，PPML 试图解决数据共享需求与隐私之间的冲突。这在隐私敏感的应用中尤为重要，例如利用来自不同诊所的 EHR 数据学习用于临床决策支持的预测模型，其中每个诊所都对其患者的隐私负有责任。我们提出了一种针对集成方法的新途径：每个实体从其自身数据学习一个模型，然后当客户请求对新私有实例进行预测时，使用所有本地训练模型的回答来计算预测，且不泄露额外信息。我们针对随机森林实现了该方法，并通过在真实世界数据集（包括实际 EHR 数据）上的实验证明了其高效性与潜在的准确性收益。
引用
@article{arxiv.1811.08695,
title = {Privacy-Preserving Collaborative Prediction using Random Forests},
author = {Irene Giacomelli and Somesh Jha and Ross Kleiman and David Page and Kyonghwan Yoon},
journal= {arXiv preprint arXiv:1811.08695},
year = {2018}
}
备注
Accepted at the AMIA Informatics Summit 2019