隐私保护的分布式非负矩阵分解

非负矩阵分解 (NMF) 是一种有效的数据表示工具，在信号处理和机器学习中有大量应用。然而，在自组织网络中以去中心化方式部署 NMF 会引发隐私问题，因为传统方法在网络代理之间共享原始数据。为了解决这个问题，我们提出了一种用于全分布式 NMF 的隐私保护算法，该算法将分布式大型数据矩阵分解为左右矩阵因子，同时保护每个代理的本地数据隐私。它促进了代理之间对左矩阵因子的协同估计，并使它们能够在不暴露原始数据的情况下估计各自的右因子。为了确保数据隐私，我们利用 Paillier 密码系统保护相邻代理之间的信息交换，这是一种用于公钥密码学的概率非对称算法，允许在未解密的情况下对加密数据进行计算。在合成和真实数据集上进行的仿真结果证明了所提出的算法在自组织网络上实现隐私保护分布式 NMF 的有效性。