Split Ways：基于Split Learning的加密数据隐私保护训练
密码学与安全
2023-01-24 v1 机器学习
摘要
Split Learning（SL）是一种新的协作学习技术，允许参与者（如客户端与服务器）在不共享原始数据的情况下训练机器学习模型。在该设定中，客户端首先对原始数据应用其部分的机器学习模型以生成激活图，然后将其发送给服务器以继续训练过程。该领域先前工作表明，重构激活图可能导致客户端数据的隐私泄露。此外，现有克服SL隐私泄露的缓解技术在准确性上明显更差。本文中，我们改进先前工作，构建了一个基于U形SL、可在同态加密数据上运行的协议。更确切地说，在我们的方法中，客户端在将激活图发送给服务器之前对其应用同态加密（HE），从而保护用户隐私。这是相较于其他基于SL的工作能减少隐私泄露的重要改进。最后，我们的结果表明，在最优参数集下，U形SL设定中使用HE数据训练相比明文训练仅降低2.65%的准确率。此外，原始训练数据的隐私得以保留。
引用
@article{arxiv.2301.08778,
title = {Split Ways: Privacy-Preserving Training of Encrypted Data Using Split Learning},
author = {Tanveer Khan and Khoa Nguyen and Antonis Michalas},
journal= {arXiv preprint arXiv:2301.08778},
year = {2023}
}