一种数据隐私保护下多方无损线性模型学习方法 |
| |
引用本文: | 华丰,王亚森,金骏阳,袁烨.一种数据隐私保护下多方无损线性模型学习方法[J].机械工程学报,2023(12):17-27. |
| |
作者姓名: | 华丰 王亚森 金骏阳 袁烨 |
| |
作者单位: | 1. 华中科技大学机械科学与工程学院;2. 华中科技大学数字制造装备与技术国家重点实验室;3. 华中科技大学无锡研究院;4. 华中科技大学人工智能与自动化学院 |
| |
基金项目: | 国家自然科学基金资助项目(92167201,62203182); |
| |
摘 要: | 随着工业大数据技术的发展,制造企业通过收集和分析生产数据,获取在预测、诊断等方面的优化方法。然而制造企业受限于建模和算力等技术瓶颈,难以高效地实现数据分析,在联合其他参与方共同协作时即需要承担信息泄露的风险,又难以保证模型的性能无损。针对这些场景问题,提出基于数据隐私保护的多方无损线性模型学习方法。首先搭建多方协作计算框架,设计了数据单向加密算法来保护数据出场的隐私安全,各协作方分别基于加密数据进行线性模型的训练。随后,研究分析线性模型与数据集的关联特性,提出线性模型无损聚合算法。最后,在典型工业场景数据集上进行方法验证,试验结果表明提出的框架可以获得性能无损的全局模型,并实现数据持有方的隐私安全保护。
|
关 键 词: | 工业大数据 隐私保护机器学习 联邦学习 数据分析 |
|
|