保护隐私的多方机器学习关键技术研究

With the rapid development of big data and artificial intelligence, it is an inevitable trend for machine learning based on the aggregation of multi-user datasets. A more accurate learning model can be obtained through machine learning based on the aggregated dataset. However, due to the sensitivity of the data, multi-party machine learning inevitably suffers from some new challenges. In this project, we mainly research on the key techniques of privacy preserving multi-party machine learning. The objectives of this research include the following research contents: 1. We study the technique of secure multi-party machine learning and construct efficient multi-party machine learning schemes. 2. We explore the method of outsourcing computation for multi-party machine learning and propose novel and verifiable computation schemes for multi-party machine learning. 3. We also study the problem of differential privacy, and design differentially private multi-party machine learning schemes. The key techniques can provide theoretical basis and technical supports for secure and reliable machine learning. Thus, the research of the project is of great importance to promote the development of multi-party machine learning.

随着大数据技术和人工智能的快速发展，基于多用户聚合数据集的机器学习已成为一种必然趋势。通过聚合多用户数据集进行机器学习，可以获取到更精准的学习模型。然而，由于数据的隐私性，多方机器学习不可避免地面临着诸多新的挑战。本项目主要研究保护隐私的多方机器学习关键技术，具体包括：1. 研究安全多方机器学习技术，构造高效的安全多方机器学习方案；2. 研究多方机器学习外包计算技术，提出可验证的多方机器学习外包计算新方法；3. 研究差分隐私技术，设计差分隐私多方机器学习新算法。这些关键技术为安全可靠的机器学习提供了理论支撑和技术保障。因此，本项目的研究对于促进多方机器学习的发展具有重要意义。

机器学习算法的准确性与训练数据量密切相关，训练数据量越大，得出的学习模型泛化能力越强。然而，由于数据所有权分散以及数据本身的隐私性等特征，如何在保证数据安全性和隐私性的前提下，实现基于多方聚合数据集的机器学习成为了亟待解决的关键问题.本项目研究保护隐私的多方机器学习关键技术，主要内容包括：1、深入研究安全多方计算技术，探索高效的安全多方机器学习机制，提高机器学习的可用性；2、研究安全外包计算技术，构造可验证的机器学习外包计算方法，增强机器学习外包计算的可靠性；3、深入研究差分隐私技术，设计差分隐私技术与安全多方计算技术、外包计算技术结合的高效算法，保护机器学习中的隐私性等。项目执行期间，共发表学术论文5篇，其中，CCF B类期刊3篇。授权发明专利2项。项目负责人参加了10余次国内外学术会议，培养硕士生7名。项目负责人获得济宁市自然科学学术创新奖一等奖。项目执行情况良好，完成项目所有目标。