不可信平台上的机密机器学习：综述
机器学习
2021-06-15 v2 密码学与安全
摘要
随着数据不断增长以及开发强大机器学习模型的需求，数据所有者越来越依赖各种不可信平台(例如公有云、边缘端和机器学习服务提供商)进行可扩展处理或协作学习。因此，敏感数据和模型面临未经授权访问、滥用和隐私泄露的危险。一个相对新颖的研究方向在受保护数据上机密地训练机器学习模型，以应对这些担忧。在本综述中，我们总结了这一新兴研究领域的显著研究。借助统一框架，我们强调了机密外包机器学习中的关键挑战与创新。我们聚焦于面向机密机器学习(CML)的密码学方法，主要是模型训练，同时也涵盖其他方向，例如基于扰动的方法以及硬件辅助计算环境下的 CML。讨论将以整体方式考量相关的威胁模型、安全假设、设计原则以及数据效用、成本和机密性之间的权衡等丰富背景。
引用
@article{arxiv.2012.08156,
title = {Confidential Machine Learning on Untrusted Platforms: A Survey},
author = {Sagar Sharma and Keke Chen},
journal= {arXiv preprint arXiv:2012.08156},
year = {2021}
}
备注
To appear in Cybersecurity Journal, Springer, 2021