悪性攻撃に対するMPC可能プライバシー保護ニューラルネットワーク訓練【JST・京大機械翻訳】

Liu Ziyao; Tjuawinata Ivan; Xing Chaoping; Lam Kwok-Yan

プレプリント

J-GLOBAL ID：202202210362633892 整理番号：21P0041145

悪性攻撃に対するMPC可能プライバシー保護ニューラルネットワーク訓練【JST・京大機械翻訳】

MPC-enabled Privacy-Preserving Neural Network Training against Malicious Attack

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年07月24日プレプリントサーバーでの情報更新日： 2021年02月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

機械学習における安全なマルチパーティ計算(MPC)の応用,特にプライバシー保護ニューラルネットワーク訓練は,近年,研究コミュニティから大きな注目を集めている。MPCは,各参加者のデータプライバシーを保存しながら,ニューラルネットワークを一緒に訓練するいくつかのデータ所有者を可能にする。しかし,ほとんどの以前の研究は,悪意のある参加者によって送られる不正メッセージに耐えることができない半正直脅威モデルに焦点を合わせている。本論文では,大部分の関係者が悪意がある場合でも,すべての正直な参加者に対してセキュリティを提供できる安全なニューラルネットワーク訓練のための効率的なnパーティプロトコルを構築するためのアプローチを提案した。不正な多数設定において半正直なセキュリティを提供する他の設計と比較して,アクティブに安全なニューラルネットワーク訓練は,LANとWAN設定において,それぞれ,約2Xと2.7Xの手頃な効率オーバヘッドをもたらした。さらに,整数リングZ_N上で定義された付加的シェアを,有限場Z_Q上の付加的シェアに確実に変換するスキームを提案し,これは独立した興味の可能性がある。このような変換スキームは,オンライン位相の計算に使用するために,前処理段階で発生する整数リング上で定義された共有Beaver3重項を,磁場上で定義された3重項に定義して,安全かつ正しく変換するのに不可欠である。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

データ保護 , 符号理論 , 人工知能

, , , ,

前のページに戻る