Differentially Private Bayesian Learning on Distributed Data

Mikko A. Heikkilä, Eemil Lagerspetz, Samuel Kaski, Kana Shimizu, Sasu Tarkoma, Antti Honkela

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

6 Sitaatiot (Scopus)

Abstrakti

Many applications of machine learning, for example in health care, would benefit from methods that can guarantee privacy of data subjects. Differential privacy (DP) has become established as a standard for protecting learning results. The standard DP algorithms require a single trusted party to have access to the entire data, which is a clear weakness, or add prohibitive amounts of noise. We consider DP Bayesian learning in a distributed setting, where each party only holds a single sample or a few samples of the data. We propose a learning strategy based on a secure multi-party sum function for aggregating summaries from data holders and the Gaussian mechanism for DP. Our method builds on an asymptotically optimal and practically efficient DP Bayesian inference with rapidly diminishing extra cost.
AlkuperäiskieliEnglanti
OtsikkoAdvances in Neural Information Processing Systems 30
AlaotsikkoProceedings of NIPS 2017
KustantajaCurran Associates, Inc.
Sivut3227-3236
Sivumäärä10
TilaJulkaistu - 2017
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaANNUAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS - Long Beach, Yhdysvallat
Kesto: 4 joulukuuta 20179 joulukuuta 2017
Konferenssinumero: 31

Julkaisusarja

NimiAdvances in Neural Information Processing Systems
KustantajaCurran Associates
Vuosikerta30
ISSN (painettu)1049-5258

Conference

ConferenceANNUAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS
LyhennettäNIPS
MaaYhdysvallat
KaupunkiLong Beach
Ajanjakso04/12/201709/12/2017

Sormenjälki Sukella tutkimusaiheisiin 'Differentially Private Bayesian Learning on Distributed Data'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä