NN-EMD：使用加密多源数据集高效训练神经网络
机器学习
2021-04-20 v2 密码学与安全
摘要
在加密数据集上训练机器学习模型是解决隐私保护机器学习任务的一种现有有前景的方法，然而，由于两个原因，在加密数据上高效训练深度神经网络（DNN）模型极具挑战：首先，它需要对海量数据集进行大规模计算；其次，现有的加密数据计算方案（如全同态加密）效率低下。此外，为提升 DNN 模型性能，我们还需要使用由多个彼此间可能不存在预先信任关系的数据源组成的海量训练数据集。我们提出了一种新颖框架 NN-EMD，用于在来自多源的多个加密数据集上训练 DNN。为此，我们利用混合函数加密方案提出了一组安全计算协议。我们在 MNIST 数据集上针对训练时间与模型精度评估了我们的框架性能。与现有其他框架相比，我们提出的 NN-EMD 框架能显著减少训练时间，同时提供相当的模型精度与隐私保障，并支持多数据源。此外，尽管引入了隐私保护的 NN-EMD 设定，神经网络的深度与复杂度并不影响训练时间。
引用
@article{arxiv.2012.10547,
title = {NN-EMD: Efficiently Training Neural Networks using Encrypted Multi-Sourced Datasets},
author = {Runhua Xu and James Joshi and Chao Li},
journal= {arXiv preprint arXiv:2012.10547},
year = {2021}
}