加密数据上的深度神经网络
提出了一种名为 CryptoNN 的框架,该框架使用功能性加密方案来支持加密数据上的神经网络模型的训练,以解决神经网络模型训练过程中的隐私问题,并显示出与 MNIST 数据集上基线神经网络模型相似的准确性。
Apr, 2019
本文提出了一种使用全同态加密、卷积神经网络和图形处理器的高效隐私保护系统,用于在云端进行基于样本的模型推断,能够在保证数据安全的前提下实现高性能图像分类。
Nov, 2018
本文提出了一种新的 HE-friendly 模型的训练方法,展示了如何使用 HC Layers SDK 运行加密样本,并证明该模型可以在保持高准确度的同时,大大节省运行时间;研究人员还讨论了在 HE 条件下处理激活函数和跳过连接的不同策略,并且通过改编 CLIP 模型实现了安全的零 - shot 预测。
Apr, 2023
本文介绍了一种基于 RNS-CKKS 同态加密方案的深度卷积神经网络(DCNNs)的加密评估方法,通过对图像进行简化且高效的同态评估,获得了高精度对高分辨率 ImageNet 数据集的评估结果,同时在 CIFAR-10 数据集上获得了最高的同态评估的 CNN 准确性。
Jun, 2023
本文介绍充分同态加密 (Fully Homomorphic Encryption, FHE) 在机器学习中的应用,针对现有文章只关注于数据安全而忽略模型参数的安全问题,以及高层级的实现不提供对深度卷积神经网络 (CNNs) 中的卷积、非线性激活和汇聚等常见操作的精确性、安全性和速度之间权衡问题,基于 CKKS 算法,提出了使用 FHE 保护输入数据和模型参数的 MLaaS 机制,并在经典的 MNIST 数据集上进行了实现和测试,结果表明设计参数选择会在正确性、安全和计算时间之间产生重要影响,同时还强调了其他设计选择如密文打包策略和多线程并行化也对推断过程的吞吐量和延迟产生了重要影响
Jan, 2021
本文提出一种不对称协作机器学习的实用方案,其中一方拥有数据,另一方仅拥有标签,提出了一种新的保护隐私的架构方案,可以有效地帮助两方合作训练深度学习模型。
Jul, 2020
该研究在机器学习应用到敏感数据时,结合同态加密技术和神经网络提供了两种解决方案,分别是提高深度和宽度相对较高的网络精度和降低网络推理的延迟时间以提供更好的隐私保障。这两种方案应用于几个计算机视觉任务,并获得了良好的效果。
Dec, 2018