Jan, 2024
隐私保护下的偏最小二乘法
P3LS: Partial Least Squares under Privacy Preservation
TL;DR现代制造价值链需要智能协调公司间的流程，以最大化利润，同时促进社会和环境的可持续性。然而，由于与跨组织数据交换和集成相关的隐私问题，实现基于数据的决策的整合系统级方法目前受到阻碍。我们在这里提出了Privacy-Preserving Partial Least Squares (P3LS)回归，一种新颖的联邦学习技术，能够在保护隐私的同时实现组织间数据集成和过程建模。P3LS使用基于奇异值分解（SVD）的PLS算法，并采用由受信任的权威机构生成的可移除随机掩码，以保护每个数据持有者贡献的数据的隐私。我们展示了P3LS在由三个参与方组成的假设价值链上垂直集成过程数据以及提高了几个与过程相关的关键绩效指标的预测性能。此外，我们展示了P3LS和PLS模型组件在模拟数据上的数值等价性，并对前者进行了彻底的隐私分析。此外，我们提出了一种确定贡献数据与问题相关性的机制，从而为量化参与者的贡献奠定基础。