MOBIUS：模型无关的二值化神经网络
密码学与安全
2020-02-13 v1 人工智能
摘要
在提供预测服务的机器学习中，一种隐私保护框架被研究，其中计算资源提供方从客户端接收加密数据并在不解密的情况下返回预测结果，即遗忘神经网络或加密预测。本工作中，我们提出 MOBIUS（Model-Oblivious BInary neUral networkS，模型无关二值化神经网络），一种结合二值化神经网络（BNNs）与基于秘密共享的安全计算的新系统，作为可扩展且快速的隐私保护机器学习工具。BNNs 通过将训练中的值二值化为 和 来提升计算性能，而基于秘密共享的安全计算通过短位长的模运算以加密形式提供快速且多样的计算。然而，结合这些工具并非易事，因为它们的运算具有不同代数结构，且使用 BNNs 通常会降低预测精度。MOBIUS 使用了具有兼容代数结构且不降低预测精度的改进 BNN 和安全计算流程。我们使用 ABY 库（NDSS 2015）在 C++ 中实现了 MOBIUS。随后使用 MNIST 数据集进行实验，结果表明 MOBIUS 可在 0.76 秒内返回预测，比 SecureML（IEEE S&P 2017）快六倍。MOBIUS 允许客户端请求加密预测，并允许训练方将加密模型遗忘地发布到计算资源提供方提供的云上，即不向提供方泄露原始模型本身。
引用
@article{arxiv.1811.12028,
title = {MOBIUS: Model-Oblivious Binarized Neural Networks},
author = {Hiromasa Kitai and Jason Paul Cruz and Naoto Yanai and Naohisa Nishida and Tatsumi Oba and Yuji Unagami and Tadanori Teruya and Nuttapong Attrapadung and Takahiro Matsuda and Goichiro Hanaoka},
journal= {arXiv preprint arXiv:1811.12028},
year = {2020}
}