其他
视野 | 基于秘密分享和随机排列的安全高效机器学习
随着隐私保护的需求日益增长,隐私保护机器学习在学术界和工业界都获得了广泛的关注。尽管如此,大多数现有方法在实际应用中都存在局限性。一方面,尽管大部分密码学方法是可证安全的,它们伴随着大量的计算和通讯开销;另一方面,许多较为高效的隐私保护算法(如联邦学习和拆分学习)的安全性不断被质疑,因为它们不是可证安全的算法。受到已有的隐私保护的研究的启发,我们基于我们提出的“随机排列+计算”机制,设计了一个基于秘密分享和随机排列的隐私保护机器学习框架。我们的方法比现有的基于密码学的方法更加高效,因为它极大地减少了计算逐元素函数的开销。此外,我们通过将距离相关性作为隐私保护的指标,说明了我们的方法比已有的非可证安全算法更加安全。总的来说,我们的方法在安全和效率之间取得了一个较好的平衡点。实验结果表明,本方法的速度可以达到已有的密码学方法运算速度的5倍,同时可以减少多达80%的网络通讯开销,相对于非可证安全的算法,泄露了更少的隐私。
*声明:本文仅代表作者本人观点,不代表本人所在机构及隐私计算联盟观点。
往期推荐010203