QUOTIENT：两方安全神经网络训练与预测
密码学与安全
2019-07-09 v1 机器学习
摘要
近来，大量工作致力于为机器学习任务设计安全协议。其中多数旨在实现从高精度深度神经网络（DNN）的安全预测。然而，由于 DNN 是在数据上训练的，一个关键问题是如何也能安全地训练此类模型。少数已有的安全 DNN 训练工作要么聚焦于为现有训练算法设计定制协议，要么致力于开发专用训练算法再套用通用安全协议。本工作中，我们研究将训练算法与新颖安全协议协同设计的优势，在两方面均引入优化。我们提出 QUOTIENT，一种用于 DNN 离散化训练的新方法，以及为其定制的双方安全协议。QUOTIENT 融合了最先进 DNN 训练的关键组件（如层归一化与自适应梯度方法），并在双方计算下的 DNN 训练中超越已有最优水平。相较先前工作，我们在广域网时间上获得 50 倍提升，在绝对准确率上提升 6%。
引用
@article{arxiv.1907.03372,
title = {QUOTIENT: Two-Party Secure Neural Network Training and Prediction},
author = {Nitin Agrawal and Ali Shahin Shamsabadi and Matt J. Kusner and Adrià Gascón},
journal= {arXiv preprint arXiv:1907.03372},
year = {2019}
}