数据交易平台的趋势与挑战

有赖于机器学习的进步，机构现在可以从基于数据和分析的决策中得益。根据FinancesOnline ¹，57% 的机构使用数据和分析来推动策略和变革（MicroStrategy，2020）。因此，数据变得越来越重要，也令到私营和公共机构之间增加了数据共享。Gartner 在文章 “Data is a Business Necessity to Accelerate Digital Business” 中提到至2023年，提倡数据共享的机构在大多数业务价值指标上的表现将优于不提倡数据共享的机构。特别是数据共享的广泛采用令到数据交易平台的数量不断增加。数据交易平台面临的主要挑战之一是通过加密技术保证适当级别的隐私和机密性来保护数据所有者的利益，同时执行合规性尽职调查，以及机器学习和数据挖掘活动从而产生有价值的分析。

应用于加密数据的高效逻辑回归

逻辑回归是明文场景中适用于实现这些目标的最常见的机器学习方法之一。Baldwin 和 Krishna Dayanidhi 在 “Natural Language Processing with Java and LingPipe Cookbook”  一书中指出，逻辑回归是可用作大多数工业分类器的机器学习方法之一，而且肯定是现有性能最好的分类器之一。此外，神经网络可以看作是一系列相互堆叠的逻辑回归分类器（参见 “Speech and Language Processing”第 3 版，Daniel Jurafsky 和 James Martin  着）。

LSCM 现正在开发和实施一种有效的方法，以适当的准确度和精确度对加密数据执行逻辑回归。这为开发保护隐私的数据共享平台奠定了基础，该平台可以执行适当的尽职调查并提供具价值的分析。此外，由于所有数据在整个过程中都保持加密状态，因此通过加密保证了机密性和隐私性。同时，该平台还可以成为数据所有者的隐私保护数据挖掘服务提供商。

LSCM – Russell Yiu

[1] https://financesonline.com/relevant-analytics-statistics/