BriefGPT - AI 论文速递
·
Hawk：使用安全查找表计算的精确且快速的隐私保护机器学习
💡
原文约600字/词，阅读约需2分钟。
📝
内容提要
本文介绍了一种新的隐私保护机器学习协议，用于训练多实体机器学习模型。该协议使用两个服务器模型进行数据密钥共享，并提出了一种计算非线性函数的新方法。同时，还提出了一种放宽安全措施的方法，以减少训练所需的计算资源。评估结果显示，该协议比现有方法更快且准确率更高。
🎯
关键要点
- 本文介绍了一种新的隐私保护机器学习协议，用于训练多实体机器学习模型。
- 该协议采用两个服务器模型进行数据密钥共享，支持逻辑回归和神经网络模型的训练。
- 提出了一种基于密钥共享的查找表的新方法，用于计算非线性激活函数，提高了计算效率和准确性。
- 探索了一种放宽安全措施的方法，尽管泄露了一些查找表访问模式的信息，但仍保持 epsilon-dX 隐私。
- 这种放松措施显著减少了训练所需的计算资源。
- 评估结果显示，逻辑回归协议比现有的 SecureML 快 9 倍，神经网络训练速度快 688 倍。
- 在 MNIST 数据集上，神经网络在 15 个周期内实现了 96.6% 的准确率，超过了以往的基准。
➡️
