基于双重置换同态加密的隐私保护视觉学习
计算机视觉与模式识别
2017-07-31 v2 密码学与安全
摘要
我们提出一种隐私保护框架，通过利用分布式私有图像数据来学习视觉分类器。该框架旨在聚合使用私有数据在本地更新的多个分类器，并确保在学习过程期间和之后不暴露关于数据的任何私有信息。我们利用一种同态密码系统，其能够在本地分类器被加密从而保持秘密的状态下聚合它们。为了克服高维分类器同态加密的高计算成本，我们（1）对本地分类器更新施加稀疏性约束，并且（2）提出一种名为双重置换同态加密（DPHE）的新型高效加密方案，该方案专为稀疏高维数据定制。DPHE（i）将稀疏数据分解为其组成的非零值及其对应的支持索引，（ii）仅对非零值应用同态加密，以及（iii）对支持索引采用双重置换以使其保密。我们在多个公共数据集上的实验评估表明，所提出的方法在保持隐私的同时实现了与最先进视觉识别方法相当的性能，并且显著优于其他隐私保护方法。
引用
@article{arxiv.1704.02203,
title = {Privacy-Preserving Visual Learning Using Doubly Permuted Homomorphic Encryption},
author = {Ryo Yonetani and Vishnu Naresh Boddeti and Kris M. Kitani and Yoichi Sato},
journal= {arXiv preprint arXiv:1704.02203},
year = {2017}
}
备注
To appear in ICCV 2017