POSEIDON：隐私保护联邦神经网络学习
密码学与安全
2021-01-11 v3 机器学习
摘要
本文中，我们解决 方联邦学习设定下神经网络的隐私保护训练与评估问题。我们提出一种新颖系统 POSEIDON，它是隐私保护神经网络训练领域的首个此类系统。它采用多方基于格的密码学，在被动敌手模型及至多 方合谋下，保护训练数据、模型与评估数据的机密性。为高效执行训练神经网络的安全反向传播算法，我们提供一种通用打包方法，可对加密数据实施单指令多数据（SIMD）操作。我们还在密码学自举操作中引入任意线性变换，优化各方间代价高昂的密码学计算，并定义了一个用于选择密码学参数的约束优化问题。实验结果表明，POSEIDON 达到与集中式或去中心化非隐私方法相近的精度，且其计算与通信开销随参与方数量线性增长。POSEIDON 在 MNIST 数据集上训练一个 3 层神经网络，该数据集具 784 个特征、60K 样本并分布于 10 方，耗时少于 2 小时。
引用
@article{arxiv.2009.00349,
title = {POSEIDON: Privacy-Preserving Federated Neural Network Learning},
author = {Sinem Sav and Apostolos Pyrgelis and Juan R. Troncoso-Pastoriza and David Froelicher and Jean-Philippe Bossuat and Joao Sa Sousa and Jean-Pierre Hubaux},
journal= {arXiv preprint arXiv:2009.00349},
year = {2021}
}
备注
Accepted for publication at Network and Distributed Systems Security (NDSS) Symposium 2021