新型安全稀疏内积及其在机器学习中的应用
密码学与安全
2022-10-18 v1
摘要
稀疏内积 (SIP) 具有引人注目的性质：其开销由各方输入的交集主导，与实际输入规模无关。它前景广阔，尤其适用于提升大规模稀疏数据纠缠下的机器学习。本文研究此前鲜有探索的隐私保护 SIP 问题。具体而言，我们提出两种具体构造：一种需要线性的离线通信（可在多次查询间分摊），另一种具有亚线性开销但依赖计算代价更高的工具。我们的方法以最先进的密码学工具（包括混淆布隆过滤器 (GBF) 与私有信息检索 (PIR)）为基石，但精心融合它们以获得显著的开销削减。我们对所提构造给出形式化安全性分析，并将其实现于代表性机器学习算法中，包括 k-近邻、朴素贝叶斯分类与逻辑回归。相较现有工作，我们的方法在运行时间上实现 – 加速，通信最多减少 。
引用
@article{arxiv.2210.08421,
title = {New Secure Sparse Inner Product with Applications to Machine Learning},
author = {Guowen Xu and Shengmin Xu and Jianting Ning and Tianwei Zhang and Xinyi Huang and Hongwei Li and Rongxing Lu},
journal= {arXiv preprint arXiv:2210.08421},
year = {2022}
}