---
type: paper
slug: miran-kim-2020-secure-dp-logistic
title: >-
  Secure and Differentially Private Logistic Regression for Horizontally
  Distributed Data
authors:
  - '[[miran-kim]]'
  - '[[junghyelee]]'
  - '[[lucila-ohno-machado]]'
  - '[[xiaoqian-jiang]]'
year: 2020
venue: '[[ieee-tifs]]'
volume: '15'
doi: 10.1109/TIFS.2019.2925496
categories:
  - '[[privacy-preserving-ml]]'
  - '[[security]]'
methods:
  - '[[differential-privacy]]'
  - '[[homomorphic-encryption]]'
  - '[[logistic-regression]]'
  - '[[federated-learning]]'
themes:
  - '[[privacy-utility-tradeoff]]'
  - '[[distributed-learning]]'
  - '[[heaan]]'
aliases: []
last_updated: '2026-05-17T21:30:00+09:00'
---
# Secure and Differentially Private Logistic Regression for Horizontally Distributed Data

*[[miran-kim]], [[junghyelee]], [[lucila-ohno-machado]], [[xiaoqian-jiang]] (2020)* · [[ieee-tifs]] 15 · [DOI ↗](https://doi.org/10.1109/TIFS.2019.2925496)

> [[junghyelee]] 의 *프라이버시 보존 ML* 의 *수학적 기반* — *55 회 인용*. **DP (Differential Privacy) + HE (Homomorphic Encryption) 의 *최초 결합* 으로 *분산 로지스틱 회귀* 구현 (F-SPLR, U-SPLR)**. 3 분 이내 학습 + *글로벌 모형 대비 AUC 차이 <1%*. 의생명 데이터의 *저장-계산-결과* 3 단계 프라이버시 모두 보호.

- **RQ**: *수평적 분산 데이터* (horizontal partitioning) 에서 *DP + HE 결합* 으로 *데이터 보호 + 분석 결과 보호* 모두 가능한가?
- **방법론**: [[differential-privacy]] (state-of-the-art privacy protection) + [[homomorphic-encryption]] (HEAAN) 결합 *분산 [[logistic-regression]]* — F-SPLR (Full Secure Private LR), U-SPLR (Updated)
- **데이터**: PhysioNet, Diabetes 실데이터 셋
- **주요 발견**: (1) **DP + HE 결합이 처음 시도**. (2) **학습 시간 < 3 분, AUC 차이 < 1%** (분산 vs 글로벌 모델). (3) F-SPLR vs U-SPLR — 효율 vs 정확도 trade-off. (4) 의생명 데이터의 *저장-계산-결과* 3 단계 보호.
- **시사점**: *Privacy + Security 양쪽 모두 보호* 의 *실용적 첫 입증*. 기존 DP-only 또는 HE-only 의 한계 (DP 는 결과 보호 X, HE 는 결과 보호 O 하나 분산 시나리오 미지원) 극복.

![DP + HE 결합 분산 로지스틱 회귀 프로토콜 구조.](/papers/202000_KimM_Secure_and_Differentially_Private_Logistic_Regression_for_Horizontally_Distributed_Data/fig1.png)

## 요약

이 paper 는 [[junghyelee]] 의 *2 기 UNIST 초기* 의 *프라이버시 보존 ML 수학적 기반*. [[miran-kim]] (제 1 저자, MD Anderson 박사후) + [[xiaoqian-jiang]] (UCSD/UTHealth 지도교수) + [[lucila-ohno-machado]] (UCSD) 의 *국제 협업*. [[junghye-lee-2018-privacy-patient-similarity]] 의 *수학적 정밀화*. **55 회 인용**.

방법론적 핵심: *DP + HE 의 상보성 활용*. (i) **[[homomorphic-encryption]] (HEAAN — Cheon et al. 의 approximate HE)** — 암호화된 데이터에 대한 *연산 가능*. *저장 + 계산* 단계 보호. (ii) **[[differential-privacy]]** — 결과에 수학적 노이즈 추가. *결과 분석* 단계 보호. 결합: *데이터, 모델, 결과 모두 보호*.

[[logistic-regression]] iterative update (Newton-Raphson 또는 gradient descent):

$$
\beta_{t+1} = \beta_t - \alpha \nabla L(\beta_t; \text{data})
$$

(i) *HE 단계*: 각 병원이 *암호화된 gradient* 계산 후 중앙 서버에 전송. 중앙 서버가 *암호 공간에서* 합산. (ii) *DP 단계*: 최종 추정치에 Laplace 또는 Gaussian noise 추가.

핵심 발견: PhysioNet, Diabetes 데이터에서 *AUC 차이 1% 미만, 학습 시간 3 분 이내*. F-SPLR (전체 secure 버전) 은 안전성 최대, U-SPLR (업데이트 효율적) 은 *수렴 가속*. *Privacy budget ε* 와 *모델 정확도* trade-off 정량화.

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *2 기 UNIST 시기 프라이버시 ML 의 수학적 기반*. *실타래 2 (Privacy-preserving / FL)* 의 핵심.

## 핵심 결과

| 항목 | 값 |
|---|---:|
| **DP + HE 결합** | 최초 시도 |
| 학습 시간 | **< 3 분** |
| 글로벌 모델 대비 AUC 차이 | **< 1%** |
| 검증 데이터 | PhysioNet, Diabetes |
| 인용 수 | 55 |
| 알고리즘 변종 | F-SPLR (full secure), U-SPLR (updated) |

## 방법론 노트

분산 SGD with HE + DP:

```
For each iteration t:
  Each site k:
    Compute local gradient g_k = -∇L(β_t; data_k)
    Encrypt g_k → HE(g_k)
    Send HE(g_k) to server
  Server:
    Aggregate: HE(g) = ∑_k HE(g_k)  (homomorphic addition)
    Send HE(g) back
  Each site k:
    Decrypt → g
    Update β_{t+1} = β_t + α*g
Final β:
  Add DP noise: β_final = β_T + Laplace(Δ/ε)
```

식별 가정: (i) HEAAN 의 *approximate HE* 가 LR 의 numerical 정확도 충분 보존, (ii) DP 노이즈 calibration 의 sensitivity Δ 정확, (iii) horizontal partitioning (동일 features, 다른 samples).

## 연구 계보

이 paper 는 (i) Dwork (2006) DP 본가, (ii) Cheon et al. (2017) HEAAN 본가, (iii) [[junghye-lee-2018-privacy-patient-similarity]] 직접 선행 — 의 결합. [[junghyelee]] 의 *연구 궤적* *실타래 2 의 수학적 기반*.

## See also

- [[junghyelee]]
- [[miran-kim]]
- [[xiaoqian-jiang]]
- [[differential-privacy]]
- [[homomorphic-encryption]]
- [[logistic-regression]]
- [[federated-learning]]
- [[ieee-tifs]]
- [[junghye-lee-2018-privacy-patient-similarity]]