TETRIS：组合全同态加密技术以实现对大型数据集的私有函数探索
密码学与安全
2024-12-19 v1
摘要
为了从统计数据中获取有价值的见解，机器学习应用经常需要分析大量数据。在本工作中，我们解决了设计高效安全探测大型数据集技术的问题，该技术允许科学家针对患者记录的特定属性进行大规模医学研究，同时保持其模型的隐私。我们引入了一组可组合的同态操作，并展示了如何通过近似全同态加密将私有函数评估与私有阈值相结合。这使我们能够设计一个名为 TETRIS 的新系统，该系统解决了大型数据库私有函数探索的现实用例，其中统计标准对拥有患者记录的服务器保持私有。我们的实验表明，即使对于由线性和非线性函数组成的复杂陈述的评估，TETRIS 在大型患者数据集上也实现了实用的性能。在单线程上，仅需几分钟即可从包含数十万条患者记录的数据库中提取私有见解，每个数据库条目的摊销时间小于 2ms。
引用
@article{arxiv.2412.13269,
title = {TETRIS: Composing FHE Techniques for Private Functional Exploration Over Large Datasets},
author = {Malika Izabachène and Jean-Philippe Bossuat},
journal= {arXiv preprint arXiv:2412.13269},
year = {2024}
}