SFPDML：基于 MKTFHE 的更安全更快速隐私保护分布式机器学习
密码学与安全
2024-03-20 v2 机器学习
摘要
近年来，分布式机器学习受到了广泛关注。然而，隐私问题在该领域中仍是一个未解决的难题。环上多密钥同态加密（MKTFHE）是解决此问题的有前景的候选方案之一。尽管如此，MKTFHE 的解密可能存在安全风险。此外，据我们所知，现有关于 MKTFHE 的最新工作仅支持布尔运算和线性运算，无法直接计算如 Sigmoid 之类的非线性函数。因此，在高性能下执行逻辑回归和神经网络等常见机器学习任务仍然困难。在本文中，我们首先发现了针对 MKTFHE 现有分布式解密协议的一种可能攻击，随后引入秘密共享提出了一种更安全的解密协议。接下来，我们通过 homogenizer 和 compare quads 设计了一种新的 MKTFHE 友好激活函数。最后，我们利用它们实现了 MKTFHE 中的逻辑回归与神经网络训练。将使用 Sigmoid 的泰勒多项式与我们使用所提函数作为激活函数的效率和精度进行比较，实验表明，我们函数的效率比直接使用 7 阶泰勒多项式高 10 倍，且训练模型的精度与使用高阶多项式作为激活函数的方案相近。
引用
@article{arxiv.2211.09353,
title = {SFPDML: Securer and Faster Privacy-Preserving Distributed Machine Learning based on MKTFHE},
author = {Hongxiao Wang and Zoe L. Jiang and Yanmin Zhao and Siu-Ming Yiu and Peng Yang and Man Chen and Zejiu Tan and Bohan Jin},
journal= {arXiv preprint arXiv:2211.09353},
year = {2024}
}