面向可验证机器计算的多项式完整性计算证明

机器学习系统持续快速发展，在各个领域和学科中展现了显著的实用性。随着这些系统不断增长规模和复杂性，一个旨在将机器学习即服务（MLaaS）推向市场的新兴产业正在形成。将这些系统的操作和训练外包给强大硬件带来了诸多优势，但当必须确保隐私和工作正确性时，挑战随之而来。零知识密码学领域的最新进展提供了一种为任何计算生成完整性论证的手段，进而可由任何方在任何地点、任何时间高效验证。在本工作中，我们证明了对一个包含50,000个样本的数据集上的差分隐私（DP）线性回归的正确训练，整个计算在不到6分钟内完成，验证整个计算仅需0.17秒。据我们所知，这一结果是文献中针对如此规模数据集的可证明差分隐私的最快实例。我们认为这一结果构成了端到端私有MLaaS的关键基石。