NegDL：基于负数据库的隐私保护深度学习
密码学与安全
2022-06-29 v5
摘要
在大数据时代，深度学习已成为日益热门的课题。它在图像识别、目标检测和自然语言处理等领域取得了杰出成就。深度学习的首要任务是从大量数据中挖掘有价值信息，这将不可避免地引发值得关注的隐私问题。目前已有若干隐私保护深度学习方法被提出，但其中大多数在效率或精度上遭受不可忽略的退化。负数据库(\textit{NDB})是一种新型数据表示，通过存储和利用原始数据的互补形式来保护数据隐私。本文中，我们提出一种名为 NegDL 的基于 \textit{NDB} 的隐私保护深度学习方法。具体而言，私有数据首先通过称为 \textit{QK}-hidden 算法的生成算法转换为 \textit{NDB} 作为深度学习模型输入，然后提取 \textit{NDB} 的草图用于训练与推理。我们证明 NegDL 的计算复杂度与无隐私保护的原始深度学习模型相同。在 Breast Cancer、MNIST 和 CIFAR-10 基准数据集上的实验结果表明，NegDL 的精度在大多数情况下可与原始深度学习模型相媲美，且优于基于差分隐私的方法。
引用
@article{arxiv.2103.05854,
title = {NegDL: Privacy-Preserving Deep Learning Based on Negative Database},
author = {Dongdong Zhao and Pingchuan Zhang and Jianwen Xiang and Jing Tian},
journal= {arXiv preprint arXiv:2103.05854},
year = {2022}
}