CCBNet：保密协作贝叶斯网络推断
机器学习
2024-05-27 v1
摘要
有效的大规模过程优化需要来自制造业不同人类专家方之间的紧密合作，这些专家将其相关领域的知识编码为贝叶斯网络模型。例如，针对光刻设备、工艺和辅助工具的贝叶斯网络必须联合使用，以有效识别半导体行业中的过程优化。然而，跨领域的商业保密性阻碍了此类合作，并促使采用中心化推断的替代方案。我们提出了 CCBNet，即首个保密性协作贝叶斯网络推断框架。CCBNet 利用秘密共享技术，通过联合两个新颖子协议来安全地对各方模型的组合知识进行分析：(i) CABN，通过将其标准化组合的特征概率分布建模为秘密分享来扩展跨方特征的概率分布；(ii) SAVE，通过分布式变量消除来聚合各方推断结果分享。我们通过 9 个公开贝叶斯网络对 CCBNet 进行了广泛评估。结果表明，CCBNet 在保持模型保密性的同时，实现的预测质量与中心化方法相似。我们进一步演示了 CCBNet 能扩展到涉及 16-128 个方、包含 223-1003 个特征的大型网络的具有挑战性的制造场景，并平均降低了 23% 的计算开销，同时每请求通信 71k 个值。最后，我们展示了针对两个子协议中部分重建各方网络的可能攻击及其缓解措施。
引用
@article{arxiv.2405.15055,
title = {CCBNet: Confidential Collaborative Bayesian Networks Inference},
author = {Abele Mălan and Jérémie Decouchant and Thiago Guzella and Lydia Chen},
journal= {arXiv preprint arXiv:2405.15055},
year = {2024}
}