為了確保模型的精確度,傳統(tǒng)機器學習算法需要收集大量的原始數(shù)據(jù)進行模型訓練.一方面,人們享受著高精度模型給生活帶來的便利,例如圖像處理,文字識別等,另一方面,人們也面臨著數(shù)據(jù)的隱私泄漏問題,引起了人們的廣泛關注.如何保證在不泄露用戶隱私的情況下安全地進行回歸模型訓練,或根據(jù)已有模型進行安全預測成為當前機器學習中亟需解決的問題.針對如何不泄露用戶隱私的情況下進行安全回歸模型訓練的回歸學習問題,本文提出了基于安全兩方計算的隱私保護回歸模型,該模型主要基于信息論意義下完備的加法秘密共享方案和安全兩方計算協(xié)議.在這種秘密共享情形下,該模型通過使用一個輔助服務器,由兩個非共謀半誠實的主計算服務器進行主要的回歸學習的計算過程.全文的主要思路為:首先通過觀察回歸學習問題中的常規(guī)實現(xiàn)算法,給出對該算法進行隱私實現(xiàn)時所涉及基本運算的兩方計算協(xié)議,例如秘密共享形式的加法和乘法運算等;其次,考慮到協(xié)議中不可避免會出現(xiàn)實數(shù),給出此情形下安全實現(xiàn)兩數(shù)比較的協(xié)議等;最后,結合以上協(xié)議給出回歸學習問題中常規(guī)算法的隱私實現(xiàn)形式,并進行實驗對比.實驗表明,在該隱私保護模型下的隱私保護協(xié)議能安全地實現(xiàn)常規(guī)算法的所有步驟,給... 

【文章來源】：廣州大學廣東省

【文章頁數(shù)】：54 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 主要工作
    1.4 論文組織結構
第2章 基礎知識
    2.1 基本符號說明
    2.2 密碼學基礎概念
        2.2.1 安全多方計算
        2.2.2 安全模型與基本假設
        2.2.3 秘密共享方案
    2.3 機器學習基礎概念
        2.3.1 線性回歸簡介
        2.3.2 隨機梯度下降算法
        2.3.3 小批量梯度下降算法
    2.4 本章小結
第3章 基礎協(xié)議
    3.1 協(xié)議基本結構
        3.1.1 求冪
        3.1.2 查表
        3.1.3 位運算
        3.1.4 引入輔域
    3.2 定點數(shù)運算
    3.3 兩定點數(shù)的比較問題
    3.4 本章小結
第4章 具有隱私性的回歸模型
    4.1 常規(guī)實現(xiàn)方案
    4.2 隱私實現(xiàn)方案
        4.2.1 數(shù)據(jù)預處理階段
        4.2.2 參數(shù)初始化階段
        4.2.3 回歸學習階段
        4.2.4 模型重構階段
    4.3 本章小結
第5章 實驗與結果分析
    5.1 實驗環(huán)境
        5.1.1 實驗所需硬件條件
        5.1.2 實驗所需軟件條件
        5.1.3 實驗全局參數(shù)設置
    5.2 實驗結果與分析
        5.2.1 實驗數(shù)據(jù)說明
        5.2.2 常規(guī)實現(xiàn)實驗與分析
        5.2.3 隱私實現(xiàn)實驗與分析
        5.2.4 進一步實驗
    5.3 本章小結
總結與展望
參考文獻
攻讀碩士學位期間發(fā)表的文章目錄
致謝



本文編號：3387009