一种基于量化的隐私保护分布式学习技术
密码学与安全
2024-07-01 v1 人工智能
摘要
机器学习(ML)模型的大规模部署引发了严重的数据保护问题。隐私增强技术(PET)提供了有希望的第一步，但在分布式学习中实现机密性和差分隐私仍面临严峻挑战。在本文中，我们描述了一种新颖的、符合法规的ML模型分布式训练数据保护技术，该技术适用于整个ML生命周期，且与底层ML架构无关。我们的方法从数据所有者的角度设计，通过采用基于量化多哈希数据表示Hash-Comb并结合随机化的协议，来保护训练数据和ML模型参数。我们方案的超参数可以使用标准安全多方计算协议进行共享。实验结果证明了我们方法的鲁棒性和精度保持特性。
引用
@article{arxiv.2406.19418,
title = {A Quantization-based Technique for Privacy Preserving Distributed Learning},
author = {Maurizio Colombo and Rasool Asal and Ernesto Damiani and Lamees Mahmoud AlQassem and Al Anoud Almemari and Yousof Alhammadi},
journal= {arXiv preprint arXiv:2406.19418},
year = {2024}
}