.png){kind=icon}
返回
Secure latent Dirichlet allocation
.png){kind=icon}
OA
AI
DOI：10.3389/fdgth.2025.1610228.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主题建模是指用于发现文档集中隐藏主题的一组流行技术。这些主题可以用于，例如，对文档进行分类或标记文本以进行进一步处理。一种流行的主题建模技术是潜在狄利克雷分配（LDA）。在主题建模场景中，文档通常被假定为在一个集中的数据集中。然而，有时文档由不同方持有，并且包含不能共享的隐私或商业敏感信息。我们提出了一种新颖的去中心化方法，用于在不共享任何文档内容信息的情况下安全地训练LDA模型。我们通过结合隐私增强技术来保护各方的隐私。除了安全LDA协议外，我们还引入了两个具有独立价值的新密码学构建模块：一种高效地在秘密共享数据和同态加密数据之间转换的方法，以及一种从有限集合中以秘密权重高效抽取随机数的方法。我们证明，我们的去中心化、隐私保护LDA解决方案与（不安全的）集中式方法相比具有相似的准确性。使用1024位Paillier密钥，一个包含5个主题和3000个词的主题模型可以在大约16小时内训练完成。此外，我们表明该解决方案在总词数和主题数量上呈线性扩展。
Keyword:
topic modelling
Latent Dirichlet Allocation (LDA)
decentralized learning
privacy-preserving
secure multi-party computation
期刊
F
IF:
3.8
论文数:
2.3K
被引数:
3.1K
机构
引用论文
Computation of Ratios of Secure Summations in Multi-party Privacy-Preserving Latent Dirichlet Allocation多参与方隐私保护潜在狄利克雷分配中安全求和比率的计算
PREAI
分享收藏Using topic modelling for unsupervised annotation of electronic health records to identify an outbreak of disease in UK dogs.png)
PLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏
分享收藏
查看更多内容