基于分层同态加密的私有非交互式决策树评估
密码学与安全
2023-09-14 v1
摘要
随着机器学习即服务的日益普及，隐私和知识产权问题随之而来。用户往往不愿披露其私人信息以获取服务，而服务提供商旨在保护其专有模型。决策树作为一种广泛使用的机器学习模型，因其简单性、可解释性和易于训练而受到青睐。在此背景下，私有决策树评估（PDTE）使持有私有决策树的服务器能够基于客户端的私有属性提供预测。该协议使得服务器无法获知客户端的私有属性。类似地，除预测结果和某些超参数外，客户端无法获知服务器模型。在本文中，我们提出了两种新颖的非交互式 PDTE 协议，XXCMP-PDTE 和 RCC-PDTE，它们基于两种新的非交互式比较协议 XXCMP 和 RCC。我们对这些比较算子的评估表明，我们提出的构造能够高效评估高精度数值。具体而言，RCC 可在 10 毫秒内比较 32 位数值。我们在 UCI 数据集上训练的决策树上评估了提出的 PDTE 协议，并将结果与领域现有工作进行比较。此外，我们评估了合成决策树以展示可扩展性，揭示 RCC-PDTE 可在 2 秒内评估具有超过 1000 个节点和 16 位精度的决策树。相比之下，当前最先进水平评估仅具 11 位精度的此类树需要超过 10 秒。
引用
@article{arxiv.2309.06496,
title = {Level Up: Private Non-Interactive Decision Tree Evaluation using Levelled Homomorphic Encryption},
author = {Rasoul Akhavan Mahdavi and Haoyan Ni and Dimitry Linkov and Florian Kerschbaum},
journal= {arXiv preprint arXiv:2309.06496},
year = {2023}
}