Jun, 2024

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

PDF
TL;DRSSNet 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。
privacy-preservingmulti-party computationshamir's secret sharingdl modelscommunication overhead
发现论文，激发创造
  • 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

  • S++: 面向隐私保护神经网络训练的快速可部署安全计算框架

    介绍了 S ++ 框架，用于使用安全共享函数计算的方式，从多个来源训练 NN, 并提供快速和可验证的协议计算所有常见的激活函数.

    Jan, 2021

  • 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

  • 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

  • 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

  • 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

  • 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

  • 使用背包优化保障神经网络安全

    研究提出了两种方法以加速安全推理技术，第一种方法取决于卷积计算中的 patch 尺寸选择，第二种方法是基于减少安全 ReLU 操作所需的比特比较数。

    Apr, 2023

  • 通过联合设计激活函数进行深度神经网络的快速和私密推断

    介绍了一种基于多方计算的机器学习服务（MLaaS）的方法，通过使用多项式逼近替换 ReLU 激活函数和采用单轮 MPC 协议进行评估，实现了在大型模型上快速准确的推理，从而保护客户数据隐私。

    Jun, 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