Sep, 2021

CrypTen：安全多方计算与机器学习相遇

PDF
TL;DR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。
secure multi-party computationmachine-learning applicationscryptensoftware frameworkprivate evaluation
发现论文，激发创造
  • 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

  • TensorFlow 中使用安全计算实现私密机器学习

    本文提出了一个针对安全多方计算（secure multi-party computation）在 TensorFlow 平台下的实验框架，并提供了一种开源的最新协议实现方式及具体案例，以及使用 typical 私有机器学习模型方面的基准测试结果。

    Oct, 2018

  • CaPC Learning: 保密和私密的协同学习

    我们提出一种名为 CaPC 的机器学习方法，通过使用安全的多方计算和同态加密等技术，实现在协作学习环境中同时满足数据保密性和隐私性的要求，各方不需要显式地加入其培训集或训练集中央模型，且每个参与者都能够获得更高的准确性和公正性。

    Feb, 2021

  • 使用 SPDZ 进行机器学习的安全计算

    本研究探究了在机器学习的背景下，提供一个带有恶意安全性的 MPC 协议的实现的 SPDZ 框架的效率，发现其优于以前的实现方式，提供更强的安全性。

    Jan, 2019

  • 机器学习的安全有效数据评估

    使用多方计算的创新方法在保护数据和模型隐私的同时，通过简化低维 MLP 在有限重要数据子集上的训练，以及并行多阶段实现多方计算，实现了对目标模型的保密数据选择，并且相对于直接使用多方计算对目标模型进行评估，所提方法显著减少了所需时间，从数千小时降至几十小时，只在训练选择数据时准确率略微下降了 0.20%。

    Oct, 2023

  • 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

  • SSNet: 高效轻量级多方计算框架 —— 云中实用的隐私保护机器学习服务

    SSNet 是第一个基于 Shamir's secret sharing 的 MPC-based ML framework，能够扩展计算参与方数量，减少通信开销，并在性能上显著提升，与最先进的 MPC frameworks 相比，速度提高了 3 倍至 14 倍。

    Jun, 2024

  • Pencil: 私密且可扩展的协作学习，无需无合谋假设

    Pencil 是第一种为协作学习提供数据隐私、模型隐私和可扩展性的私有训练框架，无需依赖于非勾结假设。

    Mar, 2024

  • Trident: 高效的 4PC 框架用于隐私保护机器学习

    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。

    Dec, 2019

  • CrypTFlow2: 实用的两方安全推断

    CrypTFlow2 是一种加密框架，用于使用安全的两方计算进行真实的深度神经网络（DNN）安全推理。它可以有效地实现近乎等于明文执行的正确输出，并且比现有技术更加高效。

    Oct, 2020