MapReduce框架下支持差分隐私保护的随机梯度下降算法

• 作者: 付钰 俞艺涵 吴晓平
• 来源期刊: 通信学报
• 学科: 工学
• 关键词: 机器学习 随机梯度下降 MapReduce 差分隐私保护 拉普拉斯机制
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 学术论文
• 页码范围: 70-77
• 页数: 8页
• 分类号: TP301
• 字数: 6433字
• 语种: 中文
• DOI: 10.11959/j.issn.1000-436x.2018013

摘要

针对现有分布式计算环境下随机梯度下降算法存在效率性与私密性矛盾的问题,提出一种MapReduce框架下满足差分隐私的随机梯度下降算法.该算法基于MapReduce框架,将数据随机分配到各个Map节点并启动Map分任务独立并行执行随机梯度下降算法;启动Reduce分任务合并满足更新要求的分目标更新模型,并加入拉普拉斯随机噪声实现差分隐私保护.根据差分隐私保护原理,证明了算法满足ε-差分隐私保护要求.实验表明该算法具有明显的效率优势并有较好的数据可用性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴晓平	海军工程大学信息安全系	210	1963	22.0	33.0
2	付钰	海军工程大学信息安全系	51	583	12.0	22.0
3	俞艺涵	海军工程大学信息安全系	10	27	3.0	4.0