隐私保护：全新安全计算与秘密共享方案

当多方数据拥有者共享数据来训练一个模型时，使用垂直联邦逻辑回归来处理隐私问题。然而，仅使用同态加密不能完全解决隐私问题，因为需要一个信任的服务来整合所有数据拥有者的梯度并上传完整的模型。如果信任的服务被攻击或不诚实，数据拥有者的数据可能泄露。

为解决这个问题，在没有信任的服务的情况下，SoterOne设计了一种使用MPC-SS来学习模型的解决方案，同时确保数据的隐私性。该方案可以有效地抵抗诚实但好奇的对手。当所有数据都在同一个地方时，该方案可以达到与逻辑回归的简单非私有学习相同的精度，并且可以扩展到行业级的数据大小。

该解决方案涉及三个主要概念：逻辑回归、垂直联邦学习和秘密共享。逻辑回归是一种常用的监督机器学习算法，用于预测两类或两类以上的概率。垂直联邦学习常用于两个或多个数据所有者，他们希望在隐私保护的环境下共享数据来共同学习一个模型。秘密共享是将秘密分割成多个部分，并将一部分分配给每个参与方的方法。只有当足够多的参与方将各自的部分合并在一起时，才能重构秘密。

SoterOne致力于在隐私保护的道路上不断探索新的可能。如果想了解更多信息，请访问官网www.soterone.com。

热点：数据