基于zk-SNARKs的隐私保护UCB决策过程验证
机器学习
2024-06-10 v3 密码学与安全
摘要
随着机器学习的广泛应用，如何在保护数据和算法参数隐私与确保机器学习可验证性之间取得平衡一直是一个挑战。本研究探讨了强化学习与数据隐私的交叉点，特别针对使用上置信界(UCB)算法的多臂老虎机(MAB)问题。我们引入了zkUCB，一种创新的算法，采用零知识简洁非交互式知识论证(zk-SNARKs)来增强UCB。zkUCB精心设计以保护训练数据和算法参数的机密性，确保透明的UCB决策。实验突出了zkUCB的优越性能，将其增强的奖励归因于明智的量化比特使用，减少了决策过程中的信息熵。zkUCB的证明大小和验证时间与zkUCB的执行步骤呈线性关系。这展示了zkUCB在数据安全与操作效率之间的巧妙平衡。该方法对加强复杂决策过程中数据隐私的持续讨论做出了重要贡献，为隐私敏感应用提供了有前景的解决方案。
引用
@article{arxiv.2404.12186,
title = {Privacy-Preserving UCB Decision Process Verification via zk-SNARKs},
author = {Xikun Jiang and He Lyu and Chenhao Ying and Yibin Xu and Boris Düdder and Yuan Luo},
journal= {arXiv preprint arXiv:2404.12186},
year = {2024}
}