Prismo：面向隐私保护机器学习框架选择的决策支持系统
密码学与安全
2025-10-14 v1
摘要
机器学习已成为我们生活中至关重要的组成部分， Its applications span nearly every aspect of our daily activities。然而，在机器学习应用中使用个人信息已引发关于用户数据安全与隐私的广泛关注。为应对这些挑战，人们开发了各种隐私保护机器学习(PPML)框架以保护机器学习应用中的敏感信息。这些框架通常试图在计算效率、通信开销、安全保证和可扩展性等设计权衡之间取得平衡。尽管已取得进展，但为特定部署场景选择最佳框架和参数，对隐私和安全应用开发者来说仍是一个复杂且关键的挑战。我们提出Prism，一个开源推荐系统，旨在帮助为不同的PPML应用场景选择最优参数和框架。Prism允许用户通过基于用户定义目标的 various properties 来探索PPML框架的全面空间。它支持通过考虑多方计算或联邦学习中参与方数量、同态加密中的计算成本约束等参数来自动筛选合适的候选框架。Prism将每个用例建模为线性整数规划优化问题，确保为每个场景推荐量身定制的解决方案。我们通过多种用例评估Prism的有效性，展示其在不同部署场景中能够提供最佳匹配解决方案的能力。
引用
@article{arxiv.2510.09985,
title = {Prismo: A Decision Support System for Privacy-Preserving ML Framework Selection},
author = {Nges Brian Njungle and Eric Jahns and Luigi Mastromauro and Edwin P. Kayang and Milan Stojkov and Michel A. Kinsy},
journal= {arXiv preprint arXiv:2510.09985},
year = {2025}
}