让秘密 accountable：审计隐私保护机器学习
密码学与安全
2024-09-24 v2
摘要
隐私保护机器学习（PPML）的最新进展正 pave the way，将机器学习的益处扩展至高度敏感的数据，这些数据此前因隐私担忧和监管限制而难以利用。与此同时，人们越来越强调提高机器学习的透明度和可问责性，包括审计机器学习部署的能力。虽然机器学习审计和 PPML 都是深入研究的主题，但它们主要是在孤立状态下进行考察的。然而，两者的结合正变得日益重要。在本工作中，我们介绍了 Arc，一个用于审计隐私保护机器学习的安全多方计算（MPC）框架。我们框架的核心是一种新协议，用于在大规模下针对简洁承诺高效验证 MPC 输入。我们评估了实例化一致性协议后的框架性能，并将其与基于哈希和基于同态承诺的方法进行比较，结果表明其速度最快可达 倍，简洁性最高可达 倍。
引用
@article{arxiv.2402.15780,
title = {Holding Secrets Accountable: Auditing Privacy-Preserving Machine Learning},
author = {Hidde Lycklama and Alexander Viand and Nicolas Küchler and Christian Knabenhans and Anwar Hithnawi},
journal= {arXiv preprint arXiv:2402.15780},
year = {2024}
}
备注
25 pages