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
本文研究了使用超维度计算与同态加密的机器学习推断系统,实现了对加密数据的隐私保护,同时提高了性能。
Aug, 2023
本研究综述了利用同态加密解决神经网络数据隐私和安全问题的技术和策略,并分析了同态加密在神经网络训练和分类方面的当前研究现状、分类以及优化加密模型准确性和效率的技术。评估结果表明,尽管同态加密可以为神经网络提供强大的数据隐私保证,但仍存在许多挑战需要解决,例如对高级神经网络运算的有限支持、可扩展性问题以及性能平衡问题。
May, 2023
本文提出了一种新的 HE-friendly 模型的训练方法,展示了如何使用 HC Layers SDK 运行加密样本,并证明该模型可以在保持高准确度的同时,大大节省运行时间;研究人员还讨论了在 HE 条件下处理激活函数和跳过连接的不同策略,并且通过改编 CLIP 模型实现了安全的零 - shot 预测。
Apr, 2023
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
本文介绍了使用狄拉克参数化和共享源跳转连接来减少 Homomorphic Encryption 中深度神经网络执行模型推理的成本。
Jun, 2023
以保护隐私和安全的机器学习模型为目标,我们提出了一种基于混合同态加密方案的隐私保护机器学习方法,通过使用混合同态加密构建安全的分类结果学习模型,同时保护输入数据和机器学习模型的隐私。我们通过开发和评估一个基于混合同态加密的隐私保护机器学习应用程序,用于基于敏感心电图数据的心脏疾病分类,证明了我们方法的实际可行性。这种混合同态加密方案的成功整合为相对受限的末端设备上的机器学习提供了一个更安全、更注重隐私的未来展望。
Jan, 2024
HETAL 是一种高效的基于同态加密的迁移学习算法,通过使用 CKKS 同态加密方案对客户数据进行加密,并采用基于验证的早停方法,实现了对客户隐私的保护,并达到了非加密训练的准确性。
Mar, 2024
本文中,我们提出了详细的分析方法,并证明了使用全同态加密方案下的数据对最小二乘和惩罚岭回归模型进行拟合的可行性,其中梯度下降算法在加密计算速度方面表现优异,并且理论结果也被证明可以确保解密的正确性,从而展示了使用加密数据近似传统统计回归方法的可能性,而不会泄露隐私。
Mar, 2017
本文提出了 HEAX,一种新的 FHE 硬件架构,可在保护数据隐私的前提下,大幅提高计算性能。该架构利用多种级别的并行性来提高数字变换和基于格密码学的计算。在可重构硬件上的实现表明,相对于传统 FHE 方案,性能提升了 164-268 倍。
Sep, 2019