密码学私有经验风险最小化的安全近似保证
机器学习
2016-02-16 v1 密码学与安全
机器学习
摘要
隐私问题在许多机器学习(ML)问题中已日益重要。我们研究在安全多方计算(MPC)框架下的经验风险最小化(ERM)问题。MPC 的主要技术工具已基于密码学发展。当前密码学私有 ML 的局限之一在于评估非线性函数（如对数函数或指数函数）在计算上难处理。因此，对于一类需要非线性函数评估的 ERM 问题（如逻辑回归），只能获得近似解。本文中，我们引入一种称为安全近似保证(SAG)方法的新型密码学私有工具。SAG 方法的关键性质是，给定任意近似解，它能在密码学安全计算框架下提供无概率、无假设的近似质量界。我们通过将 SAG 方法应用于若干包括基于基因组和临床信息的实际隐私保护数据分析任务等问题，展示了其益处。
引用
@article{arxiv.1602.04579,
title = {Secure Approximation Guarantee for Cryptographically Private Empirical Risk Minimization},
author = {Toshiyuki Takada and Hiroyuki Hanada and Yoshiji Yamada and Jun Sakuma and Ichiro Takeuchi},
journal= {arXiv preprint arXiv:1602.04579},
year = {2016}
}