7-1 隐私保护图学习和推荐 - 陈超超

研报总结

背景

• 合规与隐私
  • 2021年9月，《中华人民共和国数据安全法》实施，强调数据分级分类管理和数据安全保护责任。
  • 2021年11月，《中华人民共和国个人信息保护法》实施，明确个人信息全流程的责任落实。

预备知识

• 隐私计算技术分类
  • 差分隐私（Differentially Privacy, DP）：定义了ε-差分隐私，常用噪声机制包括拉普拉斯机制、高斯机制和指数机制。
  • 多方安全计算（Secure Multi-party Computation, MPC）：基于密码学基础，保证计算过程中的隐私安全。
  • 联邦学习（Federated Learning, FL）：通过模型梯度的局部更新和聚合来保护数据隐私。
  • 拆分学习（Split Learning, SL）：将模型拆分为多个模块，分别在不同参与方上执行，以保护数据隐私。
  • 隐私保护图神经网络：利用MPC和随机排列技术处理非线性激活函数，实现高效的数据隐私保护。

图学习

• 方案一：MPC与拆分学习结合

  • 将神经网络逐层转换为在密态空间进行计算，适用于多种深度学习模型。
  • 特点：效率低，隐私保护好；性能差，隐私泄漏风险。

• 方案二：联邦学习与拆分学习结合

  • 解决联邦学习中的非独立同分布（Non-IID）问题，通过协调局部模型和个人化能力提升全局模型性能。
  • 特点：提高模型准确性，增强个性化能力，降低通信传输量。

• 方案三：MPC与随机排列结合

  • 使用随机排列方法执行非线性计算，减少隐私泄露风险，适用于大规模数据处理。
  • 特点：提高计算效率，减少开销。

推荐算法

• 隐私保护推荐

  • 使用本地化差分隐私收集隐私数据，使用去中心化算法和联邦学习训练模型。
  • 适用场景：公开数据和隐私数据的推荐系统。

• 隐私保护跨域推荐

  • 利用源域数据提升目标域的推荐效果，保护双方数据隐私。
  • 适用场景：跨平台社交推荐系统。

产品简介

• 金智塔隐私计算平台
  • 功能：前置结果区、前置数据区、计算模块、隐私计算节点、模型应用留痕、多方运维监测。
  • 应用场景：构建“数据不出域，可算不可见”的数据融合计算场景。