面向逻辑回归的隐私保护多方学习
密码学与安全
2018-10-08 v1
摘要
近年来，机器学习技术被广泛应用于众多领域，如天气预报、金融数据分析、垃圾邮件过滤和医疗预测。与此同时，来自多个来源的海量数据进一步提升了机器学习工具的性能。然而，多源数据共享给这些来源带来了隐私问题，因为敏感信息可能在此过程中泄露。本文提出一种框架，使多方能够在分布式数据集上协作并准确地训练学习模型，同时保证数据源的隐私。具体而言，我们考虑使用逻辑回归模型进行数据训练，并提出两种对目标函数施加扰动以保留 {\epsilon}-差分隐私的方法。所提出的方案在真实数据集上进行了测试，包括银行营销和信用卡违约预测。实验结果表明，所提出的多方学习框架具有极高的效率和准确性。
引用
@article{arxiv.1810.02400,
title = {Privacy-Preserving Multiparty Learning For Logistic Regression},
author = {Wei Du and Ang Li and Qinghua Li},
journal= {arXiv preprint arXiv:1810.02400},
year = {2018}
}
备注
This work was done when Wei Du was at the University of Arkansas