分布式数据上安全且差分隐私的贝叶斯学习
密码学与安全
2020-05-25 v1 机器学习
摘要
数据整合与共享能最大限度地提升取得新而有意义的发现的潜力。然而，这是一项非平凡的任务，因为整合来自多个来源的数据可能会使研究参与者的敏感信息面临风险。为解决隐私问题，我们提出了一种通过带 RMSprop 的预条件随机梯度 Langevin 动力学实现的分布式贝叶斯学习方法，该方法以和谐的方式结合差分隐私与同态加密，同时保护私有信息。我们将所提出的安全且隐私保护的分布式贝叶斯学习方法应用于分布式数据上的逻辑回归与生存分析，并在预测精度与时间复杂度方面相较于集中式方法展示了其可行性。
引用
@article{arxiv.2005.11007,
title = {Secure and Differentially Private Bayesian Learning on Distributed Data},
author = {Yeongjae Gil and Xiaoqian Jiang and Miran Kim and Junghye Lee},
journal= {arXiv preprint arXiv:2005.11007},
year = {2020}
}
备注
18 pages, 9 figures