可扩展隐私保护机器学习系统的设计与实现.doc

下载文档

0
0
约3.01万字
约 35页
2023-11-28 发布于广东
举报
版权申诉
保障服务

可扩展隐私保护机器学习系统的设计与实现.doc

1、本文档共35页，其中可免费阅读11页，需付费120金币后方可阅读剩余内容。
2、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。
3、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
4、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。

摘要 PAGE PAGE 1 可扩展隐私保护机器学习系统的设计与实现摘要机器学习在实践中被广泛用于诸如图像处理、语音和文本识别等应用生成预测模型。当对不同来源收集的大量数据进行训练时，这些模型更加准确。然而，如此海量的数据收集引发了人们对安全和隐私问题的担忧。针对线性回归、逻辑回归和神经网络训练中的隐私保护问题，本文提出一个使用机器学习算法随机梯度下降法的协议。该协议采用双服务器模型。在这个模型中，数据所有者（客户端）将他们的私有数据分发给两个不共谋的服务器，这些服务器使用安全两方计算（）在客户端的共享数据上训练各种模型。本文采用新技术来实现整数域上小数乘法的安全算术运算