基于同态加密的神经网络模型训练方法
针对云环境下数据隐私泄露与基于同态加密的隐私保护神经网络中精度不足的问题,文中提出了一种双服务器协作的隐私保护神经网络训练(PPNT)方案,在云服务器协同训练过程中实现了对数据传输、计算过程及模型参数的隐私保护.首先,为避免使用多项式近似方法实现指数和比较等非线性函数,并提高非线性函数的计算精度,基于Paillier半同态加密方案和加法秘密共享技术设计了一系列基础安全计算协议;其次,在已设计的安全计算协议基础上,构造了神经网络中的全连接层、激活层、Softmax层及反向传播相应的安全计算协议,以实现PPNT方案;最后,通过理论与安全性分析,证明了PPNT方案的正确性及安全性.性能实验结果显示,与PPMLaaS方案相比,PPNT方案的模型精度提高了1.7%,且在安全计算过程中支持客户端离线.
Paillier半同态加密、加法秘密共享、安全计算协议、隐私保护、模型训练
50
TP309.2(计算技术、计算机技术)
国家重点研发计划;国家自然科学基金;国家自然科学基金;贵州省高层次创新型人才项目;贵阳市科技计划项目;贵阳市科技计划项目;贵州省科技计划项目;贵州省科技计划项目
2023-05-12(万方平台首次上网日期,不代表论文的发表时间)
共10页
372-381