基于全同态加密的协作价值实用隐私保障

两方希望在其数据集上开展协作。然而，在彼此公开数据集之前，各方希望获得协作将富有成效的保证。我们从机器学习的角度审视该问题：一方通过引入另一方的数据，其预测模型有望获得提升。仅当更新后的模型显示出准确率提升时，各方才愿意进一步协作。在确认这一点之前，两方均不希望披露各自的模型与数据集。本文中，我们基于环面上全同态加密方案（TFHE）与标签差分隐私，针对底层机器学习模型为神经网络的该问题构建了交互式协议。标签差分隐私用于确保计算不完全在加密域内进行，而根据当前最先进的 FHE 实现，这恰恰是神经网络训练的主要瓶颈。我们形式化地证明了在诚实但好奇方假设下方案的安全性，其中一方可能完全不具备对其初始数据集进行标注的专业知识。实验表明，我们获得输出（即更新模型的准确率）所需的时间比完全使用 FHE 操作的协议快多个数量级。