基于秘密共享的多用户分布式隐私保护回归方法及装置制造方法及图纸

本发明专利技术公开了一种基于秘密共享的多用户分布式隐私保护回归方法及装置，方法包括下述步骤：数据提供方C1，C2，...，C

【技术实现步骤摘要】
基于秘密共享的多用户分布式隐私保护回归方法及装置


[0001]本专利技术属于隐私保护的
，具体涉及一种基于秘密共享的多用户分布式隐私保护回归方法及装置。

技术介绍

[0002]在分布式机器学习的场景中，多个互不信任的数据拥有方想要基于自己的输入完成模型训练和预测任务，并保证自己输入数据、输出结果的隐私性。目前，在隐私保护机器学习的实现方案中，基于密码学的方法是十分重要的一类方法，根据使用的方法主要分为以下几类：
[0003](a)差分隐私方法：数据拥有方通过添加噪声等信息脱敏手段对数据处理，然后基于脱敏数据进行机器学习的模型训练和预测。但是，差分隐私方法无法同时保证强安全性和高准确率，由于差分隐私方法关键在于数据脱敏程度，比如加入的噪声过小会导致数据无法保证隐私，而加入噪声过大又会影响模型的准确率，二者难以平衡。
[0004](b)同态加密方法：数据拥有方首先对数据进行加密得到密文数据，然后直接基于密文数据进行机器学习的计算，并保证得到的结果经过解密后与在明文下的计算结果一致。但是同态加密方法的计算量大，因为数据以密文形式本文档来自技高网...

【技术保护点】

【技术特征摘要】
在本地秘密重构得到E；开始进行迭代，以下过程迭代t次(j＝1，...，t)；S0和S1根据索引B＝{B1，B2，...}选择训练数据特征及其标签和S0计算<F
j
>0＝<w>0‑
<V[j]>，并发送给S1；S1计算<F
j
>1＝<w>1‑
<V[j]>，并发送给S0，随后S0和S1在本地秘密重构得到F
j
；S0本地计算S1本地计算S0本地计算S1本地计算S0计算并发送给S1；S1计算计算并发送给S0，随后S0和S1在本地秘密重构得到F
′
j
；S0本地计算S1本地计算S0和S1分别在本地对<Δ>0和<Δ>1进行截断，分别得到和S0本地计算S1本地计算结束迭代；S0和S1分别获得最终的模型参数<w>0和<w>1。7.根据权利要求1所述基于秘密共享的多用户分布式隐私保护回归方法，其特征在于，根据逻辑回归的小批量随机梯度下降算法的模型参数更新表达式：因此隐私保护逻辑回归协议还要另外计算一个激活函数f，激活函数的表达式如下：8.基于秘密共享的多用户分布式隐私保护回归系统，其特征在于，包括秘密分发模块、模型训练模块及模型重构模块；所述秘密分发模块，用于在数据秘密分发阶段，数据提供方C1，C2，...

【专利技术属性】
技术研发人员：蒋琳，姜松岳，杨鹏，吴宇琳，陈斌，王轩，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：