当同态加密邂逅秘密共享：安全大规模稀疏逻辑回归及其在风险控制中的应用
密码学与安全
2021-06-01 v2 机器学习
摘要
逻辑回归（LR）因其高效、鲁棒和可解释性，是工业界应用最广泛的机器学习模型。由于数据孤岛问题以及对高模型性能的要求，工业界许多应用需要为多方构建安全且高效的逻辑回归模型。现有大多数工作使用同态加密（HE）或秘密共享（SS）来构建安全 LR。基于 HE 的方法可处理高维稀疏特征，但存在潜在安全风险。基于 SS 的方法具有可证明安全性，但在高维稀疏特征下存在效率问题。本文首先提出 CAESAR，其结合 HE 与 SS 构建安全大规模稀疏逻辑回归模型，同时实现效率与安全性。随后我们给出 CAESAR 的分布式实现以满足可扩展性需求。我们已将 CAESAR 部署于风险控制任务并进行了全面实验。实验结果表明，CAESAR 相较最先进模型提升了约 130 倍。
引用
@article{arxiv.2008.08753,
title = {When Homomorphic Encryption Marries Secret Sharing: Secure Large-Scale Sparse Logistic Regression and Applications in Risk Control},
author = {Chaochao Chen and Jun Zhou and Li Wang and Xibin Wu and Wenjing Fang and Jin Tan and Lei Wang and Alex X. Liu and Hao Wang and Cheng Hong},
journal= {arXiv preprint arXiv:2008.08753},
year = {2021}
}
备注
Accepted by KDD'21