回归学习问题中的隐私保护方案研究

发布时间：2021-09-06 07:16

　　为了确保模型的精确度,传统机器学习算法需要收集大量的原始数据进行模型训练.一方面,人们享受着高精度模型给生活带来的便利,例如图像处理,文字识别等,另一方面,人们也面临着数据的隐私泄漏问题,引起了人们的广泛关注.如何保证在不泄露用户隐私的情况下安全地进行回归模型训练,或根据已有模型进行安全预测成为当前机器学习中亟需解决的问题.针对如何不泄露用户隐私的情况下进行安全回归模型训练的回归学习问题,本文提出了基于安全两方计算的隐私保护回归模型,该模型主要基于信息论意义下完备的加法秘密共享方案和安全两方计算协议.在这种秘密共享情形下,该模型通过使用一个辅助服务器,由两个非共谋半诚实的主计算服务器进行主要的回归学习的计算过程.全文的主要思路为:首先通过观察回归学习问题中的常规实现算法,给出对该算法进行隐私实现时所涉及基本运算的两方计算协议,例如秘密共享形式的加法和乘法运算等;其次,考虑到协议中不可避免会出现实数,给出此情形下安全实现两数比较的协议等;最后,结合以上协议给出回归学习问题中常规算法的隐私实现形式,并进行实验对比.实验表明,在该隐私保护模型下的隐私保护协议能安全地实现常规算法的所有步骤,给... 

【文章来源】：广州大学广东省

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景
    1.2 研究现状
    1.3 主要工作
    1.4 论文组织结构
第2章 基础知识
    2.1 基本符号说明
    2.2 密码学基础概念
        2.2.1 安全多方计算
        2.2.2 安全模型与基本假设
        2.2.3 秘密共享方案
    2.3 机器学习基础概念
        2.3.1 线性回归简介
        2.3.2 随机梯度下降算法
        2.3.3 小批量梯度下降算法
    2.4 本章小结
第3章 基础协议
    3.1 协议基本结构
        3.1.1 求幂
        3.1.2 查表
        3.1.3 位运算
        3.1.4 引入辅域
    3.2 定点数运算
    3.3 两定点数的比较问题
    3.4 本章小结
第4章 具有隐私性的回归模型
    4.1 常规实现方案
    4.2 隐私实现方案
        4.2.1 数据预处理阶段
        4.2.2 参数初始化阶段
        4.2.3 回归学习阶段
        4.2.4 模型重构阶段
    4.3 本章小结
第5章 实验与结果分析
    5.1 实验环境
        5.1.1 实验所需硬件条件
        5.1.2 实验所需软件条件
        5.1.3 实验全局参数设置
    5.2 实验结果与分析
        5.2.1 实验数据说明
        5.2.2 常规实现实验与分析
        5.2.3 隐私实现实验与分析
        5.2.4 进一步实验
    5.3 本章小结
总结与展望
参考文献
攻读硕士学位期间发表的文章目录
致谢



本文编号：3387009