Formation de régression logistique préservant la vie privée sur de grands ensembles de données

L'apprentissage automatique préservant la vie privée est une classe de méthodes cryptographiques qui vise à analyser des données privées et sensibles tout en préservant la confidentialité, comme la formation de régression logistique homomorphe sur de grandes données chiffrées. Dans cet article, nous proposons un algorithme efficace pour la formation de régression logistique sur de grandes données chiffrées utilisant le chiffrement homomorphe (HE), qui est la version mini-lot de méthodes récentes utilisant une variante du gradient plus rapide appelée gradient quadratique. On prétend que le gradient quadratique peut intégrer des informations de courbe (matrice Hessienne) dans le gradient et peut donc accélérer efficacement les algorithmes de gradient (descendant) de premier ordre. Nous mettons également en œuvre la version pleine-batch de leur méthode lorsque l'ensemble de données chiffrées est si grand qu'il doit être chiffré de manière mini-batch. Nous comparons notre algorithme mini-batch avec notre méthode d'implémentation pleine-batch sur des données financières réelles comprenant 422 108 échantillons avec 200 caractéristiques. %Nos expériences montrent que le gradient accéléré de Nesterov (NAG) Étant donné l'inefficacité des HE, nos résultats sont inspirants et démontrent que la formation de régression logistique sur un grand ensemble de données chiffrées est d'une faisabilité pratique, marquant une étape significative dans notre compréhension.