当多方数据拥有者共享数据来训练一个模型的时候，当下的垂直联邦逻辑回归是使用同态加密来处理隐私问题的。然而，仅使用同态加密并不能完全解决隐私问题，因为它需要一个信任的服务来整合所有数据拥有者的梯度来上传一个完整的模型。

在此过程中，信任的服务必须看到所有数据拥有者的梯度明文并且把明文的整合梯度返给每一个数据拥有者。如果这个信任的服务被攻击或者不诚实，数据拥有者将有数据泄露的风险。

 

 

此项发明在没有信任的服务的情况下使用MPC-SS 来学习模型，同时确保了数据的隐私性。

SoterOne 设计了一种在多方安全计算和秘密共享机制下多方协作学习逻辑回归的解决方案，该方案能有效地抵抗诚实却好奇的对手。当所有数据都在同一个地方时，该方案的应用可以达到与逻辑回归的简单非私有学习相同的精度，并且可以扩展到行业级的数据大小。

 

 

关于此项解决方案的三个主要概念: 逻辑回归、垂直联邦学习和秘密共享

逻辑回归是一种著名的监督机器学习算法，用于预测两类或两类以上的概率，如：赢/输、喜欢/不喜欢。逻辑回归易于训练和解释，并有可靠的统计支持。它被广泛应用于各个领域，包括机器学习、大多数的医学、工程和社会科学领域。

垂直联邦学习经常被用在两个或多个数据所有者，他们希望通过在隐私保护的环境下共享数据来共同学习一个模型。在此设置中，每个数据所有者都维护自己的私有数据，这些数据具有关于公共目标对象（用户、项）的不同特性，因此每个数据所有者都有助于从本地数据的本地计算训练全局模型。在垂直设置中，数据按要素（垂直）拆分，只有一个数据所有者具有目标变量，并且每个数据所有者不知道所有数据所有者中的公共目标对象。

秘密共享: 秘密共享是将秘密分割成多个部分，并将秘密的一部分分配给一方的一种方法。只有当有足够多的参与方将各自的部分合并在一起时，才能重构秘密。

 

 

隐私保护联邦逻辑回归的贡献

· 我们摆脱了对信任服务的依赖，它使多方数据拥有者可以在不暴露明文数据的情况下实现联合学习，并且仅仅是数据拥有者自身可以进入它自己的数据。

· 整合计算是由秘密共享机制支持的明文实现的，这比密文计算更加高效。

在保护隐私的道路上，SoterOne 将持续探索新的可能。

官网：www.soterone.com