ROMM:一种用于联邦逻辑回归的加密方法

摘要

目前联邦学习中通常采用加密技术(如同态加密、差分隐私)提高隐私保护能力，但这会导致高通信开销和低准确率.因此，针对如何兼顾隐私保护、加密效率和准确预测的问题，该文提出基于随机正交矩阵的数据屏蔽方法.在训练阶段，利用分块矩阵的思想高效生成随机正交矩阵，对参与方的原始数据进行扰动，由发起方结合扰动后的数据主导服务器训练纵向联邦逻辑回归模型，并在预测阶段应用秘密分享技术增强数据隐私保护.在4个不同规模的数据集上的实验结果表明，相较于同态加密技术，该加密方法的计算效率提高了100～800倍，模型准确率提升约0.4%,相较于差分隐私提升约1.2%,且能够有效保护原始数据.

关键词

逻辑回归 / 隐私安全 / 联邦学习 / 数据失真