Privacy-Preserving Distributed Nonnegative Matrix Factorization

非负矩阵分解（NMF）是一种有效的数据表示工具，具有在信号处理和机器学习中广泛应用的众多应用。然而，将NMF分散部署在自组织网络上，由于传统方法需要在网络代理之间共享原始数据，因此引入了隐私问题。为解决这个问题，我们提出了一种隐私保护算法，用于完全分布式NMF，该算法将分布式大型数据矩阵分解为左右矩阵因子，同时保护每个代理的本地数据隐私。它促进了代理之间协作估计左矩阵因子，并使它们能够估计各自的右矩阵因子，而不暴露原始数据。为确保数据隐私，我们利用Paillier加密系统来保护相邻代理之间的信息交换，这是一种概率性非对称算法，用于公钥加密，允许对加密数据进行计算而无需解密。在合成和真实数据集上进行的仿真结果表明，所提出的算法在自组织网络上实现隐私保护分布式NMF方面具有很好的效果。

本论文旨在解决在去中心化网络上进行非负矩阵分解时，由于传统方法需要共享原始数据，而引入的隐私问题。

该论文提出了一种隐私保护算法，可以在保护每个代理的本地数据隐私的同时，将分布式大数据矩阵分解为左右矩阵因子。通过加密技术，实现邻近代理之间的信息交换，从而使代理之间可以协作估计左矩阵因子，并能够估计各自的右因子。

该算法在合成和实际数据集上进行了模拟实验，并证明了其在实现去中心化非负矩阵分解中的隐私保护方面的有效性。论文使用了Paillier加密算法，这是一种概率非对称算法，可用于公钥加密的计算，无需解密。值得关注的是，该算法可以促进在去中心化网络上进行的隐私保护机器学习中的进一步研究。

最近在这个领域中，也有其他相关的研究，如《Privacy-Preserving Collaborative Machine Learning: An Overview》和《Privacy-Preserving Matrix Factorization with Applications to Recommendation Systems》。