PrivColl：实用的隐私保护协同机器学习
密码学与安全
2020-07-15 v1
摘要
协同学习使两个或多个参与者（各自拥有自己的训练数据集）能够协作学习一个联合模型。期望该协作不会导致各数据所有者原始数据集或在其上训练的局部模型参数的泄露。这一隐私保护需求已通过差分隐私机制、同态加密（HE）和安全多方计算（MPC）来应对，但现有尝试可能要么引入模型精度损失，要么带来显著的计算和/或通信开销。在本工作中，我们用轻量级加法秘密共享技术解决该问题。我们提出 PrivColl，一个在确保训练过程正确性的同时保护局部数据与局部模型的框架。PrivColl 采用秘密共享技术在多方计算环境中安全求值加法操作，并仅使用同态加法操作来实现实用性。我们形式化证明，即使多数（n 个中的 n-2 个）参与者被腐化，它也能保证隐私保护。通过在真实数据集上的实验，我们进一步证明 PrivColl 保持高效率。在训练线性/逻辑回归方面，它相比最先进的基于 MPC/HE 的方案实现了超过 45 倍的加速，训练神经网络时快 216 倍。
引用
@article{arxiv.2007.06953,
title = {PrivColl: Practical Privacy-Preserving Collaborative Machine Learning},
author = {Yanjun Zhang and Guangdong Bai and Xue Li and Caitlin Curtis and Chen Chen and Ryan K L Ko},
journal= {arXiv preprint arXiv:2007.06953},
year = {2020}
}
备注
20 pages, 3 figures, to be published in 25th European Symposium on Research in Computer Security (ESORICS) 2020