在现代化的计算时代,机器学习工具已经证明了他们在重要的部门(如医疗保健和金融)中的潜力,以获得适当的推论。这些部门中数据的敏感和机密性质对数据隐私提出了真正的担忧。这激发了隐私保留机学习(PPML)的区域,其中保证了数据的隐私。在本文中,我们使用安全的多方计算(MPC)技术在安全的外包计算(SOC)设置中为PPML设计一个有效的平台MPCleague。 MPC,安全分布式计算的圣杯问题,使一组N个相互不信任的各方能够在他们的私人投入上执行联合计算,以便没有T派对的联盟可以了解更多信息,而不是产出(隐私)或影响计算的真实输出(正确性)。虽然MPC一般来说,一般来说是一个广泛的研究主题,但MPC的面积具有少数各方的潜在普及,主要是由于其应用于实时场景,效率和简单性。本文侧重于为2,3和4个缔约方设计高效的MPC框架,最多一个腐败并支持环形结构。本论文的核心是四个框架 - Astra,Swift,Tetrad,Aby2.0 - 迎合不同的环境。我们的框架的实用性是通过改进的广泛使用ML算法 - 线性回归,逻辑回归,神经网络和支持向量机的基准。我们为每个框架提出了两个变体,其中一个变体旨在最大限度地减少执行时间,而另一个变体集中于货币成本。我们的框架的具体效率收益加上强大的安全保证使我们的平台成为PPML技术实时部署的理想选择。
translated by 谷歌翻译