Prive-HD：隐私保护的超维计算

数据隐私是机器学习中的一大挑战，因为训练好的模型可能会暴露其所含数据集的敏感信息。此外，边缘设备有限的计算能力与容量使得云端推理不可避免。将隐私信息发送至远程服务器，由于易受攻击的通信信道甚至不可信的主机，使得推理的隐私性也变得脆弱。本文针对脑启发式超维（HD）计算的隐私保护训练与推理展开研究，HD 计算是一种新兴的学习算法，因其轻量计算与鲁棒性——对资源受限的边缘设备尤为具有吸引力——而日益受到关注。事实上，尽管具备诸多优良特性，HD 计算由于其可逆计算特性几乎毫无隐私可言。我们提出了一种通过精细量化与剪枝超向量（HD 的基本构建单元）来实现精度—隐私权衡的方法，以构建差分隐私模型并混淆发送至云端推理的信息。最后，我们展示了所提技术如何也可被用于高效的硬件实现。