EDLaaS：面向视觉与私有草莓产量预测的神经网络图上的全同态加密
机器学习
2022-10-19 v2
摘要
我们提出了自动参数化的全同态加密 (FHE) 用于加密神经网络推理，并以我们自己的开源框架与可复现示例，在 FHE 兼容的神经网络上例证了我们的推理。我们使用由 Microsoft Simple Encrypted Arithmetic Library (MS-SEAL) 提供的定点数上的第四代 Cheon, Kim, Kim and Song (CKKS) FHE 方案。我们显著增强了 FHE 在深度学习语境中的可用性与适用性，重点关注组成图、遍历与优化。我们发现 FHE 并非所有隐私保护机器学习 (PPML) 问题的万灵药，某些局限依然存在，例如模型训练。然而我们也发现，在特定语境中 FHE 非常适于用神经网络计算完全私有的预测。更轻松地私有计算敏感问题并降低准入门槛的能力，可使原本过于敏感的领域开始利用高性能第三方神经网络。最后我们展示了加密深度学习如何应用于农业食品中的敏感现实问题，即草莓产量预测，并展现出具竞争力的性能。我们认为，加密深度学习方法的规模化采用可令存在隐私顾虑的深度学习方法论得到更广泛应用，从而在农业食品行业及其净零进程中具有巨大的潜在正向影响。
引用
@article{arxiv.2110.13638,
title = {EDLaaS: Fully Homomorphic Encryption Over Neural Network Graphs for Vision and Private Strawberry Yield Forecasting},
author = {George Onoufriou and Marc Hanheide and Georgios Leontidis},
journal= {arXiv preprint arXiv:2110.13638},
year = {2022}
}
备注
13 pages, 6 figures, journal