CryptoGRU：基于GRU的低延迟隐私保护文本分析
密码学与安全
2021-09-13 v2 人工智能
摘要
每天有数十亿包含私人邮件、个人短信和敏感在线评论的文本分析请求由部署在公有云上的循环神经网络（RNN）处理。尽管先前的安全网络结合同态加密（HE）和混淆电路（GC）以保护用户隐私，但朴素地将HE和GC混合技术用于实现RNN会因激活函数缓慢而面临很长的推理延迟。本文提出一种HE和GC混合的门控循环单元（GRU）网络CryptoGRU，用于低延迟安全推理。CryptoGRU用快速的基于GC的替换计算昂贵的基于GC的，然后将和以更小的位长量化，以加速GRU中的激活。我们在4个公共数据集上训练的多个GRU模型上评估CryptoGRU。实验结果表明，CryptoGRU在Penn Treebank数据集上达到了顶尖精度，并将安全推理延迟相比最先进的安全网络之一提升了多达。
引用
@article{arxiv.2010.11796,
title = {CryptoGRU: Low Latency Privacy-Preserving Text Analysis With GRU},
author = {Bo Feng and Qian Lou and Lei Jiang and Geoffrey C. Fox},
journal= {arXiv preprint arXiv:2010.11796},
year = {2021}
}