同态加密对联邦学习生成对抗网络训练性能的影响
密码学与安全
2022-07-04 v1 人工智能
机器学习
摘要
生成对抗网络（GAN）是机器学习（ML）领域中的一种深度学习生成模型，涉及使用大规模数据集训练两个神经网络（NN）。在某些领域（如医学），训练数据可能是存储在不同医院中的医院患者记录。经典的集中式方法需要将数据发送到集中式服务器进行模型训练。然而，这将侵犯患者及其数据的隐私和机密性，这是不可接受的。因此，联邦学习（FL）作为一种在分布式环境中训练 ML 模型且数据从不离开宿主设备的 ML 技术，将是集中式方案的更好替代。在该 ML 技术中，仅传递参数和某些元数据。尽管如此，仍存在可利用参数和元数据推断用户数据的攻击。完全隐私保护方案涉及对通信数据进行同态加密（HE）。本文将聚焦于使用三种不同类型同态加密训练 FL-GAN 的性能损失：部分同态加密（PHE）、某种同态加密（SHE）和全同态加密（FHE）。我们还将测试多方计算（MPC）的性能损失，因其具有同态特性。这些性能也将与无加密训练 FL-GAN 的性能进行比较。我们的实验表明，加密方法越复杂，耗时越长，且相较于无加密的 FL 基线，HE 所带来的额外耗时相当显著。
引用
@article{arxiv.2207.00263,
title = {Effect of Homomorphic Encryption on the Performance of Training Federated Learning Generative Adversarial Networks},
author = {Ignjat Pejic and Rui Wang and Kaitai Liang},
journal= {arXiv preprint arXiv:2207.00263},
year = {2022}
}