Glyph: 在加密数据上快速准确训练深度神经网络
使用全同态加密的方法实现神经网络的训练外包,以保护数据的机密性,可以在加密的数据上进行统一的训练,并学习量化的神经网络模型。数据可以在多个参与方之间进行水平或垂直分割,从而实现机密数据的合作。研究在多个数据集上训练逻辑回归和多层感知机。
Jan, 2024
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
本文针对深度神经网络访问隐私敏感的原始数据的问题,提出了一种基于同态加密方案的新技术,并将其应用于卷积神经网络中,使用多项式替代常用激活函数,成功地实现了隐私保护的预测,同时取得了非常高的精度和有效性。
Nov, 2017
TT-TFHE 是一个基于神经网络的同态加密框架,可以有效将 TFHE 用于表格和图像数据集中,该框架在加密数据推断的时间和准确性方面表现出色,特别是相对于其他 TFHE 设置和 HE 变体。
Feb, 2023
本文使用了 RNS-CKKS FHE 技术及 bootstrapping 策略,并采用最新的近似方法来评估非算术函数,成功实现了对 CIFAR-10 数据集上的 ResNet-20 模型进行 FHE 加密计算,并经过数值验证,得出分类准确率达到了 90.67%。
Jun, 2021
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
我们提出了一种结合完全同态加密和深度学习的框架,用于安全和私密的诊断系统,通过在加密输入数据上处理问题与回答的模型,实现了严格的安全性和隐私保护,同时在性能上几乎没有损失。
May, 2024
本文提出了一种使用全同态加密技术 (Fully Homomorphic Encryption, FHE) 来实现隐私保护文本分类的高效方法,旨在在不泄漏数据隐私的前提下,保持预测准确性。
Aug, 2019