加密机器学习图像分类解决方案的系统比较
密码学与安全
2020-11-12 v2 机器学习
摘要
本工作对基于安全计算技术的现有框架在私有图像分类背景下进行了全面综述。在深入分析这些方法之后，仔细考察了它们的性能代价，特别是运行时间和通信开销。为了进一步说明使用不同隐私保护技术时的实际考量，我们使用在数据科学栈核心实现安全计算的四个最先进库进行了实验：支持通过安全多方计算进行私有推理的 PySyft 和 CrypTen、利用可信执行环境的 TF-Trusted，以及依赖同态加密的 HE-Transformer。我们的工作旨在从可用性、运行时间需求和准确性角度评估这些框架的适用性。为了更好地理解最先进协议与数据科学家当前实际可用方案之间的差距，我们设计了三种神经网络架构，通过上述四个框架分别获得安全预测。两个网络在 MNIST 数据集上评估，一个在疟疾细胞图像数据集上评估。我们观察到 TF-Trusted 和 CrypTen 表现令人满意，并注意到所有框架都完美保持了相应明文模型的准确性。
引用
@article{arxiv.2011.05296,
title = {A Systematic Comparison of Encrypted Machine Learning Solutions for Image Classification},
author = {Veneta Haralampieva and Daniel Rueckert and Jonathan Passerat-Palmbach},
journal= {arXiv preprint arXiv:2011.05296},
year = {2020}
}