論文の概要: Privacy-preserving Logistic Regression with Secret Sharing
- arxiv url: http://arxiv.org/abs/2105.06869v1
- Date: Fri, 14 May 2021 14:53:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-17 12:40:29.900995
- Title: Privacy-preserving Logistic Regression with Secret Sharing
- Title(参考訳): 秘密共有によるプライバシー保護ロジスティック回帰
- Authors: Ali Reza Ghavamipour, Fatih Turkmen, Xiaoqian Jian
- Abstract要約: Newton-Raphson法を用いて秘密共有型プライバシー保護ロジスティック回帰プロトコルを提案する。
提案手法は,複数ソースからのロジスティック回帰を安全にトレーニングするために,大規模なデータセットを処理可能であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Logistic regression (LR) is a widely used classification method for modeling
binary outcomes in many medical data classification tasks. Research that
collects and combines datasets from various data custodians and jurisdictions
can excessively benefit from the increased statistical power to support their
analyzing goals. However, combining data from these various sources creates
significant privacy concerns that need to be addressed. In this paper, we
proposed secret sharing-based privacy-preserving logistic regression protocols
using the Newton-Raphson method. Our proposed approaches are based on secure
Multi-Party Computation (MPC) with different security settings to analyze data
owned by several data holders. We conducted experiments on both synthetic data
and real-world datasets and compared the efficiency and accuracy of them with
those of an ordinary logistic regression model. Experimental results
demonstrate that the proposed protocols are highly efficient and accurate. This
study introduces iterative algorithms to simplify the federated training a
logistic regression model in a privacy-preserving manner. Our implementation
results show that our improved method can handle large datasets used in
securely training a logistic regression from multiple sources.
- Abstract(参考訳): ロジスティック回帰(LR)は、多くの医療データ分類タスクにおいて、バイナリ結果のモデリングに広く用いられている分類法である。
様々なデータカストディアンと管轄区域からデータセットを収集し結合する研究は、それらの分析目標をサポートする統計力の増加から過度に恩恵を受ける可能性がある。
しかし、これらの様々なソースからのデータを組み合わせることで、対処すべき重要なプライバシー上の懸念が生じる。
本稿では,Newton-Raphson法による秘密共有型プライバシー保護ロジスティック回帰プロトコルを提案する。
提案手法は,複数のデータホルダが所有するデータを分析するセキュリティ設定の異なるセキュアマルチパーティ計算(mpc)に基づいている。
合成データと実世界のデータセットの両方について実験を行い、それらの効率と精度を通常のロジスティック回帰モデルと比較した。
実験の結果,提案プロトコルは効率的で精度が高いことがわかった。
本研究では,ロジスティック回帰モデルの連合学習を,プライバシ保存方式で単純化する反復的アルゴリズムを提案する。
提案手法は,複数ソースからのロジスティック回帰を安全にトレーニングするための大規模データセットを処理可能であることを示す。
関連論文リスト
- Function Aligned Regression: A Method Explicitly Learns Functional
Derivatives from Data [2.4185510826808487]
本稿では,FAR(Function Aligned Regression)を,関数微分を捉えることにより,基底的真理関数に適合する,より効率的かつ効率的な解法として提案する。
提案手法は,6つのベンチマークデータセットから,2つの合成データセットと8つの広範囲な実世界のタスクに対して実効性を示す。
論文 参考訳(メタデータ) (2024-02-08T23:43:53Z) - TRIAGE: Characterizing and auditing training data for improved
regression [80.11415390605215]
TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。
TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。
TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
論文 参考訳(メタデータ) (2023-10-29T10:31:59Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Improved Distribution Matching for Dataset Condensation [91.55972945798531]
本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。
提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
論文 参考訳(メタデータ) (2023-07-19T04:07:33Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳(メタデータ) (2023-07-12T16:28:21Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳(メタデータ) (2022-04-16T08:08:29Z) - Efficient Logistic Regression with Local Differential Privacy [0.0]
モノのインターネット(Internet of Things)デバイスは急速に拡大し、大量のデータを生み出している。
これらのデバイスから収集されたデータを探索する必要性が高まっている。
コラボレーション学習は、モノのインターネット(Internet of Things)設定に戦略的ソリューションを提供すると同時に、データのプライバシに関する一般の懸念も引き起こす。
論文 参考訳(メタデータ) (2022-02-05T22:44:03Z) - Data Fusion with Latent Map Gaussian Processes [0.0]
多要素モデリングとキャリブレーションは、エンジニアリング設計においてユビキタスに発生するデータ融合タスクである。
本稿では,遅延マップガウス過程(LMGP)に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2021-12-04T00:54:19Z) - Relationship-aware Multivariate Sampling Strategy for Scientific
Simulation Data [4.2855912967712815]
本研究では,元の変数関係を保存する多変量サンプリング戦略を提案する。
提案手法は主成分分析を用いて多変量データの分散を抽出し, 単一変数に対する既存の最先端サンプリングアルゴリズム上に構築することができる。
論文 参考訳(メタデータ) (2020-08-31T00:52:17Z) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳(メタデータ) (2020-08-01T10:36:27Z) - High Performance Logistic Regression for Privacy-Preserving Genome
Analysis [15.078027648304117]
本稿では、安全なロジスティック回帰学習プロトコルとその実装について、アクティベーション関数を安全に計算する新しいサブプロトコルを提案する。
本稿では,局所的なネットワークに分散した高次元ゲノムデータに基づいてロジスティック回帰モデルをトレーニングするための,最も高速なセキュアなマルチパーティ計算実装を提案する。
論文 参考訳(メタデータ) (2020-02-13T07:37:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。