基于完全同态加密的机密保护疾病分类器

May, 2024

基于完全同态加密的机密保护疾病分类器

Confidential and Protected Disease Classifier using Fully Homomorphic Encryption

Aditya Malik, Nalini Ratha, Bharat Yalavarthi, Tilak Sharma, Arjun Kaushik...

TL;DR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。

Abstract

With the rapid surge in the prevalence of large language models (LLMs), individuals are increasingly turning to conversational ai for initial insights across various domains, including health-related inquiries su

large language models conversational ai disease diagnosis privacy concerns fully homomorphic encryption

发现论文，激发创造

利用 TFHE 进行加密推断的深度神经网络

本论文探讨了如何构建与 TFHE 约束兼容的深度神经网络，为计算机视觉任务提供了一种基于全同态加密的解决方案。

Feb, 2023

用于加密数据的高效 CNN 建模块

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

基于全同态加密的隐私保护深度神经网络机器学习

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

采用同态加密的可伸缩隐私保护癌症类型预测

本文探讨隐私保护癌症检测的挑战，提出了一个利用机器学习和遗传突变等领域知识进行的、保护隐私的癌症预测方案。该方案利用 Homomorphic Encryption 加密方法，并使用统计测试进行特征选择，其中所提出的逻辑回归模型，与其他研究相比，测试时具有更高的准确性。因此，本文提出的解决方案在高效地使用密文计算技术方面具有很大的优势。

Apr, 2022

PrivFT: 具有同态加密的私密快速文本分类

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

非同态加密能提升联邦学习

传统的人工智能方法需要集中的数据收集，而联邦学习（FL）提供了一种在不收集原始数据的情况下进行分布式人工智能模型训练的范例。本文提出了一种创新的框架，将基于排列的压缩机与传统密码学结合起来，用更便宜的传统密码学原语取代同态加密（HE），以提供训练过程的安全性，并促进异步通信和灵活的部署选项。

Dec, 2023

针对同态加密的 AlexNet 时刻：使用 GPU 对加密数据进行的第一个同态 CNN，HCNN

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

利用全同态加密增强面部分析的隐私

我们提出了一种新颖的技术，结合了全同态加密（FHE）和现有的模板保护方案 PolyProtect，通过多项式变换将嵌入式压缩加密，进一步保护密集的 PolyProtect 模板，确保面部嵌入的不可逆性和不可关联性，有效地防止了从面部嵌入中泄露软生物识别属性而不损害识别准确性。

Apr, 2024

使用 TFHE 对加密数据进行神经网络训练

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

MedBlindTuner：基于 Transformer 和全同态加密的隐私保护生物医学图像微调

机器学习在医学图像分析方面的进步极大地改变了医疗行业，但向第三方共享敏感患者数据（例如胸部 X 光片）存在固有的隐私风险。本文提出了 MedBlindTuner，一个基于全同态加密（FHE）和数据高效图像变换器（DEiT）的隐私保护框架。MedBlindTuner 使得机器学习模型仅在 FHE 加密的医学图像上进行训练。我们的实验评估表明，MedBlindTuner 的准确率与在非加密图像上训练的模型相当，为外包机器学习计算提供了安全的解决方案，同时保护患者数据的隐私。据我们所知，这是在此领域中首次使用数据高效图像变换器和全同态加密的工作。

Jan, 2024