近日,上海大学通信与信息工程学院博士研究生何港在导师任艳丽教授的指导下,以第一作者在《Information Sciences》(中科院一区期刊,影响因子:8.233)上发表题为“Privacy-Enhanced and Non-Interactive Linear Regression with Dropout-Resilience”的研究论文,任艳丽教授为通讯作者。
图1 隐私增强的非交互线性回归模型
线性回归机器学习算法在医疗、经济和天气预测等许多领域发挥了重要作用。然而,在实际应用场景中,回归训练需要大量数据集,而且数据集通常分布式存储于多个数据所有者。此外,由于隐私问题和通信限制,用户之间很难联合起来训练一个全局模型。为了解决上述挑战,该工作基于函数加密,提出了非交互的隐私增强线性回归方案。在系统模型中,用户首先通过内积函数加密将密文数据上传到云服务器,然后另一个云服务器通过主密钥和初始参数生成对应的功能密钥用于解密密文,解密结果为迭代公式的一部分。之后,两台服务器根据更新后的参数生成新的功能密钥不断解密,协作更新模型直至完成训练。训练完成后,云服务器可以同样的方式为查询用户提供预测服务。在训练和预测过程中,云服务器不需要与数据所有者进行交互,同时也无法获得数据所有者的任何本地数据。实验结果表明,数据所有者的计算性能比现有的解决方案提高约25%,降低了计算成本。
该工作得到国家自然科学基金(62072295)和上海市自然科学基金(20ZR1419700, 22ZR1481000)支持。
(附论文链接:https://www.sciencedirect.com/science/article/pii/S002002552300275X)