爱或恨？共享或拆分？基于拆分学习与同态加密的隐私保护训练
密码学与安全
2023-09-20 v1 机器学习
摘要
拆分学习（SL）是一种新的协作学习技术，允许参与者（例如客户端与服务器）在不共享原始数据的情况下训练机器学习模型。在该设定中，客户端首先对原始数据应用其部分的机器学习模型以生成激活图，然后将其发送给服务器以继续训练过程。该领域先前的工作表明，重构激活图可能导致客户端数据的隐私泄露。此外，现有克服 SL 隐私泄露的缓解技术在准确率方面明显更差。在本文中，我们改进了先前的工作，构建了一个基于 U 形 SL 且能在同态加密数据上运行的协议。更确切地说，在我们的方法中，客户端在将激活图发送给服务器之前对其施加同态加密，从而保护用户隐私。这是一项重要改进，与其他基于 SL 的工作相比减少了隐私泄露。最后，我们的结果表明，在最优参数集下，U 形 SL 设定中使用 HE 数据训练相比明文训练仅降低 2.65% 的准确率。此外，原始训练数据的隐私得以保留。
引用
@article{arxiv.2309.10517,
title = {Love or Hate? Share or Split? Privacy-Preserving Training Using Split Learning and Homomorphic Encryption},
author = {Tanveer Khan and Khoa Nguyen and Antonis Michalas and Alexandros Bakas},
journal= {arXiv preprint arXiv:2309.10517},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2301.08778, arXiv:2309.08697