面向隐私保护机器学习的强化噪声功能加密
密码学与安全
2025-05-12 v1
摘要
功能加密 (FE) 近期在隐私保护机器学习 (PPML) 中引起广泛关注，其独特之处在于能够在加密数据上计算特定函数。相关研究聚焦于噪声 FE，即在输出中确保差分隐私，同时保持数据加密。我们将噪声多输入功能加密 (NMIFE) 扩展为 (动态) 噪声多客户端功能加密 ((Dy)NMCFE)，后者允许数据持有者和分析者的数量更灵活，同时通过使用标签实现对数据持有人隐私的细粒度访问控制。紧随我们的 DyNMCFE 新定义之后，我们提出了 DyNo，即一个具体的内积 DyNMCFE 方案。我们的方案捕获了之前噪声 FE 方案中引入的所有功能，同时在空间和运行时间方面显著更高效，并通过允许客户端被损坏来实现更强的安全性。为了进一步证明 DyNMCFE 的适用性，我们提出了一个基于 DyNo 的 PPML 协议。根据该协议，我们训练了一个隐私保护的逻辑回归模型。
引用
@article{arxiv.2505.05843,
title = {Enhancing Noisy Functional Encryption for Privacy-Preserving Machine Learning},
author = {Linda Scheu-Hachtel and Jasmin Zalonis},
journal= {arXiv preprint arXiv:2505.05843},
year = {2025}
}