多方私有结构与参数学习：面向和积网络
密码学与安全
2025-10-08 v1 机器学习
摘要
和积网络（SPN）是一种图模型，能够高效执行多种概率推断。在本文中，我们提出了一种隐私保护协议，以解决和积网络的结构生成和参数学习问题。此外，我们提供了在训练后进行和积网络私有推理的协议。为保护参与者的隐私，我们基于秘密共享方法构建了该协议，即使最多有一半的参与者合作泄露数据，仍能保证隐私。该协议利用随机生成的和积网络森林进行训练和加权，可随后用于对数据点进行私有推理。我们的实验表明，在均匀和非均匀分区的数据上，保护所有参与者的隐私并不会降低对数似然性能。我们进一步展示了在均匀分区数据设置下，本协议的性能与当前最先进的和积网络学习器相当。就运行时间和内存使用而言，我们展示了在增加参与者数量后，本实现表现良好，与用于再现和积网络输入输出行为的神经网络协议相比，表现更佳。
引用
@article{arxiv.2510.05946,
title = {N-Parties Private Structure and Parameter Learning for Sum-Product Networks},
author = {Xenia Heilmann and Ernst Althaus and Mattia Cerrato and Nick Johannes Peter Rassau and Mohammad Sadeq Dousti and Stefan Kramer},
journal= {arXiv preprint arXiv:2510.05946},
year = {2025}
}