Logistic Regression (LR) is the most widely used machine learning mode的简体中文翻译

Logistic Regression (LR) is the mos

Logistic Regression (LR) is the most widely used machine learning model in industry for its efficiency, robustness, and interpretability. Due to the problem of data isolation and the requirement of high model performance, many applications in industry call for building a secure and efficient LR model for multiple parties. Most existing work uses either Homomorphic Encryption (HE) or Secret Sharing (SS) to build secure LR. HE based methods can deal with high-dimensional sparse features, but they incur potential security risks. SS based methods have provable security, but they have efficiency issue under high-dimensional sparse features. In this paper, we first present CAESAR, which combines HE and SS to build secure large-scale sparse logistic regression model and achieves both efficiency and security. We then present the distributed implementation of CAESAR for scalability requirement. We have deployed CAESAR in a risk control task and conducted comprehensive experiments. Our experimental results show that CAESAR improves the state-of-the-art model by around 130 times.
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
逻辑回归 (LR) 因其效率、鲁棒性和可解释性而成为行业中使用最广泛的机器学习模型。由于数据隔离的问题和对模型性能的要求,很多行业应用都需要为多方构建安全高效的LR模型。大多数现有工作使用同态加密 (HE) 或秘密共享 (SS) 来构建安全的 LR。基于 HE 的方法可以处理高维稀疏特征,但它们会带来潜在的安全风险。基于 SS 的方法具有可证明的安全性,但它们在高维稀疏特征下存在效率问题。在本文中,我们首先提出了 CAESAR,它结合 HE 和 SS 来构建安全的大规模稀疏逻辑回归模型,并实现了效率和安全性。然后,我们提出了 CAESAR 的分布式实现以满足可扩展性要求。我们在风控任务中部署了 CAESAR 并进行了全面的实验。我们的实验结果表明,CAESAR 将最先进的模型提高了大约 130 倍。
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
Logistic回归(LR)是工业上应用最广泛的机器学习模型,它具有效率高、鲁棒性好、可解释性强等优点。由于数据隔离的问题和对模型性能的要求,许多工业应用要求为多方建立一个安全、高效的LR模型。大多数现有工作使用同态加密(HE)或秘密共享(SS)来构建安全的LR。基于HE的方法可以处理高维稀疏特征,但存在潜在的安全风险。基于SS的方法具有可证明的安全性,但在高维稀疏特征下存在效率问题。在本文中,我们首先介绍了CAESAR,它将HE和SS结合起来,构建安全的大规模稀疏逻辑回归模型,并实现了效率和安全性。然后,针对可伸缩性需求,我们介绍了CAESAR的分布式实现。我们已将CAESAR部署到风险控制任务中,并进行了全面的实验。我们的实验结果表明,CAESAR将最先进的模型改进了约130倍。
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
逻辑回归因其高效性、鲁棒性和可解释性,是工业上应用最广泛的机器学习模型。由于数据隔离的问题和对模型高性能的要求,许多工业应用都要求为多方建立一个安全高效的LR模型。大多数现有的工作使用同态加密或秘密共享来构建安全的LR。基于HE的方法可以处理高维稀疏特征,但会带来潜在的安全风险。基于SS的方法具有可证明的安全性,但在高维稀疏特征下存在效率问题。本文首先提出了CAESAR模型,该模型将HE和SS相结合,建立了安全的大规模稀疏逻辑回归模型,实现了效率和安全性的统一。然后,针对可伸缩性需求,我们给出了CAESAR的分布式实现。我们已经在风险控制任务中部署了CAESAR,并进行了全面的实验。我们的实验结果表明,CAESAR将最先进的模型提高了大约130倍。
正在翻译中..
 
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.

Copyright ©2024 I Love Translation. All reserved.

E-mail: