Helen：面向线性模型的恶意安全协作竞争学习
密码学与安全
2019-09-04 v2 机器学习
摘要
许多组织希望在其合并的数据集上协作训练机器学习模型以谋取共同利益（例如更好的医学研究或欺诈检测）。然而，由于隐私担忧和/或商业竞争，它们通常不能共享其明文数据集。在本文中，我们设计并构建了Helen，一个允许多方在不泄露数据的情况下训练线性模型的系统，我们将此设定称为协作竞争学习（coopetitive learning）。与先前的 secure 训练系统相比，Helen 抵御了一个强得多的对手，该对手是恶意的且可攻陷 m 方中的 m-1 方。我们的评估表明，与使用现有最先进的安全多方计算框架进行训练相比，Helen 可实现高达五个数量级的性能提升。
引用
@article{arxiv.1907.07212,
title = {Helen: Maliciously Secure Coopetitive Learning for Linear Models},
author = {Wenting Zheng and Raluca Ada Popa and Joseph E. Gonzalez and Ion Stoica},
journal= {arXiv preprint arXiv:1907.07212},
year = {2019}
}