ezDPS：一种高效且零知识的机器学习推理流水线
密码学与安全
2023-02-02 v2 机器学习
摘要
机器学习即服务（MLaaS）使资源受限的客户端能够无处不在地访问强大的数据分析服务。尽管有其优点，MLaaS 引发了关于委托计算完整性及服务器模型参数隐私的重大担忧。为解决此问题，Zhang et al. (CCS'20) 开创了零知识机器学习（zkML）的研究。此后虽有少量 zkML 方案被提出，但它们聚焦于单一的 ML 分类算法，可能无法提供令人满意的准确率，或需要大规模训练数据与模型参数，这对某些应用而言并不理想。我们提出 ezDPS，一种新型高效且零知识的 ML 推理方案。与先前工作不同，ezDPS 是一个 zkML 流水线，其中数据经多阶段处理以获得高准确率。ezDPS 的每个阶段都配备了已被证明在多种应用中有效的成熟 ML 算法，包括离散小波变换、主成分分析与支持向量机。我们设计了新的 gadget 来有效证明 ML 操作。我们完整实现了 ezDPS 并在真实数据集上评估了其性能。实验结果表明，ezDPS 在所有指标上比基于通用电路的方法高效一至三个数量级，同时保持比单一 ML 分类方法更理想的准确率。
引用
@article{arxiv.2212.05428,
title = {ezDPS: An Efficient and Zero-Knowledge Machine Learning Inference Pipeline},
author = {Haodi Wang and Thang Hoang},
journal= {arXiv preprint arXiv:2212.05428},
year = {2023}
}
备注
This paper is to appear in Privacy-Enhancing Technologies Symposium (PETS) 2023