CryptoSPN：保护隐私的和积网络推理
人工智能
2020-02-04 v1 密码学与安全
摘要
AI算法，尤其是机器学习(ML)技术，对个体生活日益重要，但也引发了一系列隐私担忧，例如欧洲GDPR所关注者。利用密码学技术，可以以保护隐私的方式在敏感客户端数据上远程执行推理任务：服务器对输入数据与模型预测一无所知，而客户端对ML模型（常被视为知识产权且可能含有敏感数据痕迹）一无所知。尽管此类隐私保护方案相对高效，但其多针对神经网络，可能降低预测精度，且通常暴露网络拓扑。此外，现有方案对ML专家并不易用，因为原型实现未良好集成于ML框架且需要大量密码学知识。本文提出CryptoSPN，一个用于和积网络(SPNs)隐私保护推理的框架。SPNs是一种易处理的概率图模型，允许在线性时间内进行一系列精确推理查询。具体而言，我们展示如何通过安全多方计算(SMPC)高效执行SPN推理，在无精度损失的同时以可证明安全保证隐藏敏感客户端与训练信息。除基础外，CryptoSPN包含易于将现有SPN转换为隐私保护可执行文件的工具。我们的实证结果表明，CryptoSPN对中等规模SPN实现了秒级高效准确推理。
引用
@article{arxiv.2002.00801,
title = {CryptoSPN: Privacy-preserving Sum-Product Network Inference},
author = {Amos Treiber and Alejandro Molina and Christian Weinert and Thomas Schneider and Kristian Kersting},
journal= {arXiv preprint arXiv:2002.00801},
year = {2020}
}
备注
Accepted for publication at ECAI'20. Please cite the conference version of this paper