纵向分区数据上的隐私保护数据共享
机器学习
2022-09-05 v2 密码学与安全
机器学习
摘要
在这项工作中，我们引入一种差分私有方法，用于从纵向分区数据（即同一主体的数据分布于多个数据持有者或参与方）生成合成数据。我们提出一种差分隐私随机梯度下降（DP-SGD）算法，以变分推断在此类分区数据上训练混合模型。我们修改一种安全多方计算（MPC）框架，将 MPC 与差分隐私（DP）结合，从而有效利用差分私有 MPC 在此类纵向分区数据上于 DP 下学习概率生成模型。假设混合分量在不同参与方间无依赖，目标函数可分解为各参与方计算贡献的乘积之和。最后，MPC 用于计算不同贡献间的聚合。此外，我们严格定义了系统中不同参与方的隐私保证。为展示我们方法的准确性，我们在来自 UCI 机器学习仓库的 Adult 数据集上运行算法，获得了与非分区情形相当的结果。
引用
@article{arxiv.2010.09293,
title = {Privacy-preserving Data Sharing on Vertically Partitioned Data},
author = {Razane Tajeddine and Joonas Jälkö and Samuel Kaski and Antti Honkela},
journal= {arXiv preprint arXiv:2010.09293},
year = {2022}
}