×
他，Gang;任艳丽;卞明云;冯国瑞;张新鹏

带有辍学率的私人增强和非交互式线性回归。 （英语） Zbl 07829652号

信息科学。 632, 69-86 (2023).
摘要：线性回归是最基本、应用最广泛的机器学习算法，在医疗、经济和天气预报等许多领域发挥了重要作用。然而，在实践中，回归训练需要一个大型数据集，通常以分布式形式存储于多个数据所有者。此外，由于隐私问题和通信限制，很难在用户之间联合数据以训练全局模型。为了解决这些挑战，我们提出了一种基于函数加密的线性回归非交互式增强隐私训练方案-FELR。特别是，基于安全聚合方案和Paillier内部产品功能加密，两台云服务器可以对模型进行密文训练。该解决方案不需要云服务器和数据所有者之间的任何交互。在整个培训期间，云服务器不知道任何本地私有数据。详细的安全分析表明，FELR可以为数据所有者提供高安全性。实验结论还表明，训练方案在数据所有者方面的性能比现有解决方案高出约25%，这显著降低了计算成本。

MSC公司：

68倍 计算机科学
62至XX 统计

关键词：

私密增强型;线性回归;功能加密;梯度下降;安全数据聚合
PDF格式BibTeX公司 XML格式引用
\textit{G.He}等人，《信息科学》。632，69-86（2023；Zbl 07829652）
全文： 内政部

参考文献：

[1] 杨，X。；鲁·R。；邵，J。；唐，X。；Ghorbani，A.，《在云中实现高效且隐私保护的多域大数据重复数据消除》，IEEE Trans。服务。计算。，14, 1292-1305 (2018)
[2] Xin，X。；Tu，Y。；斯托亚诺维奇，V。；Wang，H。；Shi，K。；He，S。；Pan，T.，连续时间马尔可夫跳跃线性系统的在线强化学习多层非零和对策，应用。数学。计算。，412，第126537条pp.（2022）·Zbl 1510.91006号
[3] 穆苏梅奇，F。；Rottondi，C。；Nag，A。；马卡卢索，I。；齐巴尔，D。；Ruffini，M。；Tornatore，M.，《机器学习技术在光网络中的应用概述》，IEEE Commun。Surv公司。导师。，21, 1383-1408 (2018)
[4] Yu，Y。；Yi，D。；唐，Z。；欧，D。；曾，A。；Li，J.，基于大工业数据增量迭代的回归预测模型，（第21届IEEE高性能计算与通信国际会议论文集（2019），IEEE），1886-1893
[5] 彼得雷拉。；Raponi，V.，《多元线性回归模型中条件分位数的联合估计及其在财务困境中的应用》，J.Multivar。分析。，173, 70-84 (2019) ·Zbl 1422.62095号
[6] Min，C.L。；米特拉，R。；拉扎里迪斯，E。；赖，A.C。；Yong，K.G。；Yap，W.S.，使用广义线性模型的数据隐私保护方案，计算。安全。，69, 142-154 (2016)
[7] Yang，Y。；熊，P。；黄，Q。；Chen，F.，基于大规模线性回归的安全高效外包计算，信息科学。，522, 134-147 (2020) ·Zbl 1458.68280号
[8] He，K。；张，L。；达斯特达尔，S。；Ma，Y.，客座编辑：云服务满足大数据，IEEE Trans。服务。计算。，11, 599-601 (2018)
[9] Reza，S.V.S.，隐私保护深度学习，（第22届ACM SIGSAC计算机和通信安全会议论文集（2015），ACM），1310-1321
[10] 新罕布什尔州Tran。；新墨西哥州Le-Khac。；Kechadi，M.-T.，轻量级隐私保护数据分类，计算机。安全。，97，第101835条pp.（2020）
[11] 莫哈帕特拉，P。；Chakravarty，S。；Dash，P.，使用核岭回归和改进的基于猫群优化的基因选择系统进行微阵列医学数据分类，swarm Evol。计算。，28, 144-160 (2016)
[12] 菊池百合子，H。；Hamanaga，C。；Yasunaga，H。；松井，H。；桥本，H。；Fan，C.，垂直分割实际医疗数据集的保私性多元线性回归，J.Inf.Process。，26, 638-647 (2018)
[13] 杜，W。；Han，Y。；Chen，S.，保私性多元统计分析：线性回归和分类，（SIAM国际数据挖掘会议论文集（2004），SIAM），222-233
[14] 陈，Y。；Rezapour，A。；Tzeng，W.，分布式数据的保私性岭回归，信息科学。，451, 34-49 (2018) ·Zbl 1440.68067号
[15] 加斯科恩，A。；肖普曼，P。；Balle，B。；Raykova，M.，高维数据的隐私保护分布式线性回归，（2017年《隐私增强技术学报》），345-364
[16] Aono，Y。；Hayashi，T。；Phong，L。；Wang，L.，通过同态加密与分布式数据源进行隐私保护逻辑回归，IEICE Trans。信息系统。，99, 2079-2089 (2016)
[17] 周，C。；陶，H。；陈，Y。；斯托亚诺维奇，V。；Paszke，W.，《约束系统的鲁棒点到点迭代学习控制：最小能量方法》，《国际鲁棒非线性控制》，32，10139-10161（2022）
[18] 庄，Z。；陶，H。；陈，Y。；斯托亚诺维奇，V。；Paszke，W.，《使用连续投影对具有随机变化试验长度的重复任务进行迭代学习控制》，国际期刊Adapt。控制信号处理。，36, 1196-1215 (2022)
[19] Yang，H。；He，W。；周，Q。；Li，H.，高效且安全的外包线性回归，（并行处理算法和架构国际会议（2018），Springer），89-102
[20] 公鸡，M。；道斯利，R。；Nascimento，A。；Newman，S.，基于预分布数据的分布式数据集上的快速隐私保护线性回归，（第八届ACM人工智能与安全研讨会论文集（2015），ACM），3-14
[21] 曼达尔，K。；Gong，G.，PrivFL：移动网络上高维数据的实用隐私保护联邦回归，（ACM SIGSAC云计算安全研讨会会议记录（2019），ACM），57-68
[22] 莫哈塞尔，P。；Zhang，Y.，SecureML:一个可扩展的隐私保护机器学习系统，（安全与隐私研讨会论文集（2017），IEEE），19-38
[23] 杜，W。；李，A。；Li，Q.，为逻辑回归保留隐私的多党学习，（通信系统安全和隐私国际会议论文集（2018），施普林格），549-568
[24] Wang，F。；朱，H。；鲁·R。；郑毅。；Li，H.，一种用于梯度下降回归训练的隐私保护和非交互式联合学习方案，Inf.Sci。，552, 183-200 (2021)
[25] Xu，R。；Joshi，J。；Li，C.，NN-EMD:使用加密多源数据集高效训练神经网络，IEEE Trans。可靠的安全计算。(2021)
[26] 阿格拉瓦尔，S。；利伯特，B。；Stehlé，D.，《基于标准假设的内部产品的完全安全功能加密》（第36届国际密码年会（2016年）会议记录，施普林格），333-362·Zbl 1372.94408号
[27] Shoup，V.，《游戏序列：控制安全证明复杂性的工具》，《加密电子打印档案》，332-365（2006）
[28] Paillier，P.，基于复合度剩余类的公钥密码系统，（密码技术理论与应用国际会议（1999），Springer），223-238·Zbl 0933.94027号
[29] 贝拉雷，M。；罗加韦，P.，《现代密码学导论》（UCSD CSE 207（2005））
[30] Keller，M.，MP-SPDZ：多方计算的通用框架，（2020年ACM SIGSAC计算机和通信安全会议论文集（2020），ACM），1575-1590
[31] 卢，L。；Ding，N.，对低维数据集高效的水平隐私保护线性回归，（2021年亚洲计算机与通信安全会议论文集（2021）），604-615
[32] 徐伟（Xu，W.）。；王，B。；刘杰。；陈，Y。；段，P。；Hong，Z.，走向实用的隐私保护线性回归，信息科学。，596, 119-136 (2022)
[33] 冷，X。；李，C。；Wang，H.，保私性多方线性回归的联邦坐标下降（2022），arXiv预印本
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。