Dec, 2019

Trident: 高效的 4PC 框架用于隐私保护机器学习

PDF
TL;DR提出了一种用于隐私保护机器学习的安全四方协议和框架，在广泛使用的四种机器学习算法上进行了应用，并在离线 - online 模式下操作。实验结果表明，在 LAN 和 WAN 环境下，与现有方法相比，该框架在训练和预测阶段的效果提高了 187 倍和 158 倍。
privacy-preserving machine learningfour-party protocolmixed-world frameworktridentconversion
发现论文，激发创造
  • BLAZE：高速隐私保护机器学习

    本文介绍了一种基于安全外包计算的隐私保护机器学习方法，BLAZE，适用于线性回归、逻辑回归和神经网络等常用机器学习算法，实现了更好的安全性和更快的运行速度，在 WAN 和 LAN 设置下，性能明显优于 ABY3。

    May, 2020

  • ASTRA: 高吞吐量的环上三方计算及其在安全预测中的应用

    该论文探讨了在模 $2^l$ 的整数环上进行安全计算的问题，提出了具有半诚实和恶意安全性的三方安全计算协议，并将其应用于安全服务器辅助的机器学习推理中，性能表现较好。

    Dec, 2019

  • Hawk：使用安全查找表计算的精确且快速的隐私保护机器学习

    训练具有多个实体的机器学习模型，并且在没有直接数据共享的情况下，可以解决由于业务、法律或道德限制而受阻的应用。本文设计和实施了新的隐私保护机器学习协议，用于逻辑回归和神经网络模型。我们采用了两个服务器模型，在数据所有者之间进行数据密钥共享，由这两个服务器进行联合数据的模型训练和评估。现有方法中存在的低效和不准确的重要方法是使用 Yao 噪声电路来计算非线性激活函数的来源。我们提出了基于密钥共享的查找表的计算非线性函数的新方法，既提供了计算效率，又提高了准确性。此外，我们还提出了一种针对隐私保护机器学习的放宽安全措施的探索。我们认为，在计算过程中，虽然有关于查找表访问模式的一些信息被透露，但它仍然保持 epsilon-dX 隐私。利用这种放松可显著减少训练所需的计算资源。我们提出了针对这种放松安全范式量身定制的加密协议，并定义和分析泄漏。我们的评估结果表明，我们的逻辑回归协议比 SecureML 快 9 倍，神经网络训练速度比 SecureML 快 688 倍。值得注意的是，我们的神经网络在 15 个周期内在 MNIST 数据集上实现了 96.6% 的准确率，超过了以往在相同架构下准确率为 93.4% 的基准。

    Mar, 2024

  • FALCON：私有深度学习的诚实大多数恶意安全框架

    本文提出了一种名为 Falcon 的端到端的 3 方协议，用于高效的私有机器学习模型训练和推理，它支持高效网络并且包容批量归一化，有安全性保证，并且比先前的解决方案更快速和更高效。

    Apr, 2020

  • ABG：隐私保护合作学习的多方混合协议框架

    本文介绍了一种基于 ABG^n 协议的多方合作机器学习系统，采用隐私保护、安全可靠的方法，允许不同数据所有者合作进行机器学习，并设计了特定的隐私计算协议。

    Feb, 2022

  • 野心勃勃：隐私保护神经网络训练的可重复研究

    这项工作主要关注机器学习模型的训练阶段，在这个阶段对用户数据的隐私保护至关重要。我们提供了坚实的理论背景，以便更容易理解当前方法及其局限性。此外，我们对最新的模型训练框架进行了详细比较，提供了在标准基准上独特属性和性能的全面对比。我们重现了一些论文的结果，并考察现有作品对开放科学的支持程度，认为我们的工作就提高了关于隐私保护机器学习在理论进展和实际应用之间差距的意识，特别是在开放源代码可用性、可重复性和可用性方面。

    Mar, 2024

  • CrypTen：安全多方计算与机器学习相遇

    本论文介绍 CrypTen：一种软件框架，通过现代机器学习框架中的常见抽象（如张量计算、自动差分、模块化神经网络）暴露出流行的安全多方计算基元，可执行现代机器学习模型的高效私有评估，并为文本分类、语音识别和图像分类等最新模型提供了一些基准测试。

    Sep, 2021

  • 使用 TensorFlow 进行基因组数据隐私保护协作机器学习

    研究利用安全多方计算技术，设计和实现了多个安全多方计算友好的机器学习基元，包括类别权重调整和可并行近似激活函数，以解决在基因组研究中由于涉及到多方数据协作，数据隐私和机密性等问题。该研究在 iDASH2019 安全基因组分析竞赛的第四组别获得第一名。

    Feb, 2020

  • 基于隐私保护的神经架构搜索

    使用安全多方计算方法构建隐私保护的神经架构搜索框架，其中使用重新设计的 ReLU 和 Max-pooling 保混乱电路以及对秘密共享的 Softmax 函数的新替代方法，分析和实验表明其在安全性，效率和准确性方面具有优越性。

    Apr, 2022

  • 可实现隐私保护的双阶段多方计算联邦学习

    本文介绍了一种称为联邦学习的新机器学习方法，并使用多方计算来实现 FL 模型的隐私保护模型聚合，以实现在 IoT 智能制造平台中利用各自数据集进行联合训练的效果。

    May, 2020