视野 | 基于秘密分享和随机排列的安全高效机器学习

随着隐私保护的需求日益增长，隐私保护机器学习在学术界和工业界都获得了广泛的关注。尽管如此，大多数现有方法在实际应用中都存在局限性。一方面，尽管大部分密码学方法是可证安全的，它们伴随着大量的计算和通讯开销；另一方面，许多较为高效的隐私保护算法（如联邦学习和拆分学习）的安全性不断被质疑，因为它们不是可证安全的算法。受到已有的隐私保护的研究的启发，我们基于我们提出的“随机排列+计算”机制，设计了一个基于秘密分享和随机排列的隐私保护机器学习框架。我们的方法比现有的基于密码学的方法更加高效，因为它极大地减少了计算逐元素函数的开销。此外，我们通过将距离相关性作为隐私保护的指标，说明了我们的方法比已有的非可证安全算法更加安全。总的来说，我们的方法在安全和效率之间取得了一个较好的平衡点。实验结果表明，本方法的速度可以达到已有的密码学方法运算速度的5倍，同时可以减少多达80%的网络通讯开销，相对于非可证安全的算法，泄露了更少的隐私。

注：本文原刊于《Knowledge-Based Systems》，文章略有删减，原文刊载链接如下：https://arxiv.org/abs/2108.07463

*声明：本文仅代表作者本人观点，不代表本人所在机构及隐私计算联盟观点。

发布|2022隐私计算十大观察

隐私计算一体机技术要求解读

沙龙分享 | 工商银行金融科技研究院：隐私计算在金融行业反欺诈等场景的应用（附PPT）