面向医疗应用的多方计算隐私保护数据插值

处理机器学习中的缺失数据至关重要，但许多数据集因错误或无响应而存在空白。与简单但不足的逐条删除法不同，文献中提供了更为精细和有效的方法，从而提高了样本量和准确性。然而，这些方法需要访问整个数据集，这与数据分布在多个来源时存在隐私法规的要求相矛盾。尤其在医疗和医疗保健领域，这种访问会暴露患者的敏感信息。本研究针对使用安全多方计算处理敏感数据的隐私保护插值方法，使能够在不透露任何一方敏感信息的情况下进行安全计算。在本研究中，我们以隐私保护的方式实现了均值、中位数、回归和kNN插值方法。我们特别针对医疗和医疗保健领域进行了设计，考虑到保护患者数据这一重要性，在糖尿病数据集上进行了展示。对糖尿病数据集的实验验证了我们隐私保护插值方法的正确性，最大误差约为$3 \times 10^{-3}$，与明文方法相当。我们还分析了方法在不同样本数量下的可扩展性，显示其适用于现实世界的医疗问题。我们的分析表明，所有方法都随样本数量线性扩展。除kNN外，所有方法的运行时间显示它们可以用于大数据集。