2021级硕士研究生陈天明以第二作者身份在国际学术期刊“Computer Standards & Interfaces”发表了题为“Privacy-Preserving Multi-Party Logistic Regression in Cloud Computing”的研究论文。其导师王会勇副教授为第一作者。

逻辑回归（LR）是一种流行的用于预测的机器学习方法，但当前的LR算法由于用户和云服务器之间的交互而存在较高的计算成本和通信负担。另外，由于数据孤岛、隐私问题和通信限制，机器学习面临着计算开销高、训练精度低和安全性差等问题。在本文中，我们提出了一种保护隐私的多方逻辑回归算法PPMLR，实现了机器学习中的隐私保护和非交互式梯度下降回归训练。PPMLR使用分布式双陷门公钥密码系统（DT-PKC）作为主要构建块，满足加性同态加密。用户在加密本地私有数据后离线，然后服务提供商通过与云服务器的交互来训练全局逻辑回归模型，从而在训练过程中保证用户私有数据的机密性和隐私性。我们通过详细的安全性证明了PPMLR保证了数据和模型的隐私。

最后，我们在UCI机器学习库中的两个流行医学数据集上进行了实验。实验结果表明，PPMLR可以有效地进行隐私保护训练。与现有的隐私保护逻辑回归算法相比，模型训练时间减少了约4倍。

该成果发表于中科院SCI二区期刊Computer Standards & Interfaces。该期刊出版计算机科学及其应用方面的研究成果，为计算机科学领域的国际权威刊物。该刊物由Springer出版，当前影响因子为5.0。