安全高效的加密数据朴素贝叶斯训练和分类

云外包为大规模数据上的机器学习任务提供有力支撑的同时也带来了数据隐私泄漏的风险. 本文旨在通过加密保护外包数据隐私并在加密数据上高效实现安全朴素贝叶斯训练和分类. 现有安全朴素贝叶斯方案大多考虑的是外包训练好的贝叶斯模型以及预测阶段的计算任务. 虽有少量工作考虑了同时在外包数据上完成朴素贝叶斯模型训练和分类, 但这些工作在安全性和效率方面存在不足. 本文结合somewhat同态加密算法、SIMD (single-instruction multiple data)技术和混淆电路提出了一个新的加密数据安全朴素贝叶斯训练和分类方案. 本文在不影响正确性的前提下对朴素贝叶斯算法进行转换, 设计了相应...

Celý popis

Podrobná bibliografie

Vydáno v:	Journal of Cryptologic Research Ročník 9; číslo 3; s. 448
Hlavní autoři:	Xing-Xin, LI, You-Wen, ZHU, WANG, Jian, 李兴鑫, 朱友文, 王箭
Médium:	Journal Article
Jazyk:	čínština
Vydáno:	Beijing Chinese Association for Cryptologic Research, Journal of Cryptologic Research 01.07.2022
Témata:	Algorithms Bayesian analysis Classification Cloud computing Cybersecurity Encryption Machine learning Outsourcing Privacy
ISSN:	2097-4116
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!