Morse-STF：改进的隐私保护机器学习协议
密码学与安全
2022-05-20 v2 机器学习
数论
摘要
安全多方计算使多个互不信任的参与方能够在无需泄露数据本身的前提下对数据执行计算，已成为隐私保护机器学习的核心技术之一。本工作中，我们提出了针对机器学习中线性层与非线性层的若干改进隐私保护协议。对于线性层，我们提出一种用于双线性映射的扩展 beaver triple 协议，显著降低了卷积层的通信量。对于非线性层，我们引入计算 sigmoid 与 softmax 函数的新协议。二者均为分类任务机器学习训练的基本构件。我们的协议比先前构造更具可扩展性与鲁棒性，并将运行性能提升 3-17 倍。最后，我们介绍 Morse-STF，一个利用所有这些改进协议的端到端隐私保护机器学习训练系统。与先前最先进系统相比，我们的系统在逻辑回归上实现 1.8 倍加速，在卷积神经网络上实现 3.9-4.9 倍加速。
引用
@article{arxiv.2109.11726,
title = {Morse-STF: Improved Protocols for Privacy-Preserving Machine Learning},
author = {Qizhi Zhang and Sijun Tan and Lichun Li and Yun Zhao and Dong Yin and Shan Yin},
journal= {arXiv preprint arXiv:2109.11726},
year = {2022}
}