LFFR：用于（多输出）回归的逻辑函数
LFFR: Logistic Function For (multi-output) Regression
AI总结：
本文扩展了隐私保护回归工作，基于简化固定Hessian方法将LFFR算法适配至全同态加密下的多输出回归，通过改进常数简化Hessian方法确保计算效率，在真实数据集上实现了兼顾隐私与高预测精度的安全多输出回归。
摘要：
在本文中，我们扩展了之前关于隐私保护回归的工作，以使用在全同态加密方案下加密的数据来解决多输出回归问题。我们基于用于线性回归和岭回归的简化固定Hessian方法，并调整了最初为单输出逻辑回归设计的LFFR算法，以处理多输出问题。我们进一步改进了用于多输出上下文的常数简化Hessian方法，确保了计算效率和鲁棒性。在多个真实世界数据集上的评估证明了我们多输出LFFR算法的有效性，突出了其在保持隐私的同时实现高预测精度的能力。对数据和目标预测的归一化仍然是优化同态加密参数的关键，证实了我们的方法在安全高效的多输出回归任务中的实用性。
英文摘要：
In this manuscript, we extend our previous work on privacy-preserving regression to address multi-output regression problems using data encrypted under a fully homomorphic encryption scheme. We build upon the simplified fixed Hessian approach for linear and ridge regression and adapt our novel LFFR algorithm, initially designed for single-output logistic regression, to handle multiple outputs. We further refine the constant simplified Hessian method for the multi-output context, ensuring computational efficiency and robustness. Evaluations on multiple real-world datasets demonstrate the effectiveness of our multi-output LFFR algorithm, highlighting its capability to maintain privacy while achieving high predictive accuracy. Normalizing both data and target predictions remains essential for optimizing homomorphic encryption parameters, confirming the practicality of our approach for secure and efficient multi-output regression tasks.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
