CodedPrivateML：一种快速且隐私保护的分布式机器学习框架
机器学习
2021-02-23 v2 密码学与安全
信息论
math.IT
机器学习
摘要
如何在保持数据私密与安全的同时训练机器学习模型？我们提出 CodedPrivateML，一种针对这一关键问题的快速且可扩展的方法。CodedPrivateML 在信息论意义上同时保护数据与模型隐私，同时允许跨分布式工作节点的高效并行训练。我们刻画了 CodedPrivateML 的隐私阈值并证明其对于逻辑（与线性）回归的收敛性。此外，通过在 Amazon EC2 上的大量实验，我们展示 CodedPrivateML 相较基于多方计算（MPC）的密码学方法具有显著加速。
引用
@article{arxiv.1902.00641,
title = {CodedPrivateML: A Fast and Privacy-Preserving Framework for Distributed Machine Learning},
author = {Jinhyun So and Basak Guler and A. Salman Avestimehr},
journal= {arXiv preprint arXiv:1902.00641},
year = {2021}
}