在dsMTL中将差异隐私集成到联合的多任务学习算法中

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 统计学学习 统计学学习

背景情况:

• 多任务学习 (MTL) 利用共享的信息来同时执行回归或分类任务.
• dsMTL R 软件包为使用 DataSHIELD 平台进行分布式敏感数据分析的联合 MTL 提供了便利.
• 现有的dsMTL安全性不足以抵御针对培训数据包含的会员推断攻击.

研究的目的:

• 加强dsMTL的隐私保护能力,以防止会员推断攻击.
• 将差异隐私集成到 dsMTL 中,以保护联合学习中的个人级数据.
• 为了平衡隐私保护与模型性能在联邦的MTL.

主要方法:

• 采用拉普拉斯机制实现了差异隐私,作为dSMTL的可选功能.
• 利用模拟研究和对精神分裂症患者基因表达数据的案例研究进行验证.
• 专注于掩盖个人特征,同时保持群体层面的差异.

主要成果:

• 成功地将差异性隐私集成到dsMTL框架中.
• 证明了差异隐私在保护免受会员推断攻击方面的有效性.
• 通过模拟和真实世界的基因表达数据分析验证了方法.

结论:

• dsMTL中的新型差异性隐私功能显著提高了联合MTL的数据安全性.
• 实现隐私和模型性能之间的最佳平衡对于实际应用至关重要.
• 具有差异隐私的dsMTL为分布式敏感数据的隐私保护分析提供了强大的解决方案.