隐私保护高斯过程回归——同态加密应用的模块化方法
密码学与安全
2020-01-30 v1 机器学习
机器学习
摘要
许多机器学习依赖使用大量数据训练模型以做出预测。当数据来自多个来源时，例如将基于机器学习模型的评估作为服务提供，便会产生数据共享的隐私问题与法律顾虑。全同态加密(FHE)允许在加密状态下计算数据，可为数据隐私问题提供解决方案。然而，FHE既缓慢又受限，因此必须改造现有算法以使其在FHE范式下高效工作。一些常用机器学习算法，如高斯过程回归，极不适合FHE，且无法被改造为既高效又精确。本文中，我们展示了一种模块化方法，仅对工作流中需要保护的敏感步骤应用FHE，使得一方能够利用另一方数据构建的高斯过程回归模型对其自身数据进行预测，而任一方均无法访问对方数据，且方式准确高效。据我们所知，该构造是首个有效加密高斯过程的实例。
引用
@article{arxiv.2001.10893,
title = {Privacy-Preserving Gaussian Process Regression -- A Modular Approach to the Application of Homomorphic Encryption},
author = {Peter Fenner and Edward O. Pyzer-Knapp},
journal= {arXiv preprint arXiv:2001.10893},
year = {2020}
}