隐私保护深度学习的通用框架
机器学习
2018-11-14 v2 密码学与安全
机器学习
摘要
我们详述了一个用于隐私保护深度学习的新框架并讨论其优势。该框架重视数据的所有权与安全处理，并引入了基于命令链与张量的一种有价值表示。这一抽象使得人们能够实现诸如联邦学习（Federated Learning）、安全多方计算（Secure Multiparty Computation）和差分隐私（Differential Privacy）等复杂的隐私保护构造，同时仍向终端用户暴露熟悉的深度学习 API。我们报告了在 Boston Housing 和 Pima Indian Diabetes 数据集上的早期结果。除差分隐私外的隐私特性不影响预测精度，但该框架当前实现引入了显著的性能开销，这将在开发的后续阶段解决。我们相信本工作是引入首个可靠、通用的隐私保护深度学习框架的重要里程碑。
引用
@article{arxiv.1811.04017,
title = {A generic framework for privacy preserving deep learning},
author = {Theo Ryffel and Andrew Trask and Morten Dahl and Bobby Wagner and Jason Mancuso and Daniel Rueckert and Jonathan Passerat-Palmbach},
journal= {arXiv preprint arXiv:1811.04017},
year = {2018}
}
备注
PPML 2018, 5 pages