面向隐私保护的神经架构搜索
密码学与安全
2022-04-26 v1 人工智能
摘要
机器学习推动了包括网络流量监测、脑电分类、人脸识别和许多其他领域信号处理的持续发展。然而，为训练深度学习模型而收集的大量用户数据引发了隐私担忧，并增加了手动调整网络结构的难度。为解决这些问题，我们提出了一种基于安全多方计算的隐私保护神经架构搜索（PP-NAS）框架，以保护用户数据和模型的参数/超参数。PP-NAS将NAS任务外包给两个互不勾结的云服务器，以充分利用混合协议设计。作为现有隐私保护机器学习框架的补充，我们重新设计了安全ReLU和最大池化混淆电路，显著提升了效率（加速 倍）。我们开发了一种在秘密分享上近似Softmax函数的新替代方案，它绕过了Softmax中近似指数运算的限制，同时提高了精度。大量分析和实验证明了PP-NAS在安全性、效率和准确性方面的优越性。
引用
@article{arxiv.2204.10958,
title = {Towards Privacy-Preserving Neural Architecture Search},
author = {Fuyi Wang and Leo Yu Zhang and Lei Pan and Shengshan Hu and Robin Doss},
journal= {arXiv preprint arXiv:2204.10958},
year = {2022}
}
备注
Accepted by IEEE ISCC 2022