ABG：一种用于隐私保护协同学习的多方混合协议框架
摘要
协同学习使两个或多个数据拥有方联合训练模型，已被广泛用于处理机器学习中训练数据不足的问题。当前，机构与组织迫切需要在互不泄露数据的前提下协同训练模型。为解决协同学习中的隐私保护问题，安全外包计算与联邦学习是两种典型方法。然而，这两种方法用于协同学习时存在诸多缺陷。对于安全外包计算，需引入半诚实服务器。一旦外包服务器串谋或发起其他主动攻击，数据隐私便会泄露。对于联邦学习，难以应用于纵向切分数据分布于多方之场景。本工作中，我们提出一种多方混合协议框架ABG，有效实现了算术分享（A）、布尔分享（B）与乱码电路分享（G）在方场景下的任意转换。基于ABG，我们设计了一个隐私保护多方协同学习系统，允许不同数据拥有方在数据安全与隐私保护方面开展机器学习协作。此外，我们针对逻辑回归与神经网络等若干典型机器学习方法设计了特定的隐私保护计算协议。相较以往工作，所提方法适用面更广且无需依赖额外服务器。最后，我们在本地环境与公有云环境下评估了ABG的性能。实验表明ABG具有优异性能，尤其在低延迟网络环境中。
引用
@article{arxiv.2202.02928,
title = {ABG: A Multi-Party Mixed Protocol Framework for Privacy-Preserving Cooperative Learning},
author = {Hao Wang and Zhi Li and Chunpeng Ge and Willy Susilo},
journal= {arXiv preprint arXiv:2202.02928},
year = {2022}
}
备注
The authors have just discovered an existing paper [1], which has substantial overlap in contributions, therefore we decide to withdraw this paper. [1] Lennart Braun, Daniel Demmler, Thomas Schneider, and Oleksandr Tkachenko. MOTION - A framework for mixed-protocol multi-party computation. https://eprint.iacr.org/2020/1137