【儀表網(wǎng) 研發(fā)快訊】在人工智能技術(shù)迅猛發(fā)展的背景下，數(shù)據(jù)生成量急劇增長，同時伴隨著隱私泄露的風險。量子計算的快速進步對傳統(tǒng)密碼學(xué)框架構(gòu)成了挑戰(zhàn)，各國和地區(qū)(如歐盟和美國)也在積極推動個人數(shù)據(jù)隱私保護的立法。為應(yīng)對這些挑戰(zhàn)，安全多方計算(MPC)、同態(tài)加密、差分隱私等技術(shù)成為有效的用戶隱私保護工具。邏輯回歸作為一種相對簡單的算法，其計算過程簡潔，并在現(xiàn)實應(yīng)用中具備實用價值。大多數(shù)現(xiàn)有方法使用一階梯度下降算法，導(dǎo)致迭代次數(shù)增多，這在MPC場景中加大了通信開銷，在HE上下文中則增加了計算成本。此外，一些方法依賴于受信第三方，這可能引發(fā)隱私泄露風險，而有些則基于同態(tài)加密僅涉及單個參與者，且大多數(shù)方法集中于二分類問題，對多分類問題的討論較少。
 

　　近日，重慶研究院自動推理與認知研究中心在ICICS2024上發(fā)表了題為《Privacy-preserving Logistic Regression Model Training Scheme by Homomorphic Encryption》的研究成果。該論文提出了一種新的隱私保護邏輯回歸解決方案，在數(shù)據(jù)橫向分布場景中，充分利用雙方數(shù)據(jù)，實現(xiàn)雙用戶的交互式計算。該研究利用牛頓法解決邏輯回歸問題，以盡量減少迭代次數(shù)，降低由交互造成的通信開銷，使用共軛梯度法求解牛頓更新方向，避免在密文域中進行矩陣求逆所需的除法操作，并能夠?qū)⒍诸悊栴}高效擴展至多分類場景。
 

　　該研究為隱私保護邏輯回歸模型的高效訓(xùn)練提供了一種新的思路和方法，在保護用戶隱私的前提下，提升了模型訓(xùn)練的效率和實用性。
 

圖1  通信量對比(不同數(shù)據(jù)維數(shù))
 

圖2  通信量對比(特征維數(shù)=9，不同迭代次數(shù))
 

　　(a)固定外層循環(huán) (b)固定內(nèi)層循環(huán)
 

圖3  通信量對比(特征維數(shù)=90,不同迭代次數(shù))(a)固定外層循環(huán) (b)固定內(nèi)層循環(huán)
 

　　重慶研究院碩士研究生苗煒捷為論文的第一作者，吳文淵研究員為通訊作者。該研究工作，得到了科技部重點專項、中國科學(xué)院西部青年學(xué)者等支持。