随着大数据和人工智能技术的日新月异,隐私保护机器学习(PPML)正逐渐成为学术与工业领域热议的话题。PPML的核心使命在于,确保各方原始数据不被泄露的同时,促进多方携手完成机器学习模型的训练与推理。在这个过程中,同态加密(HE)与多方安全计算(SMPC)技术扮演着举足轻重的角色。
蚂蚁一篇相关论文被ACM CCS 2024收录——《Rhombus: Fast Homomorphic Matrix-Vector Multiplication for Secure Two-Party Inference》。
在PPML的领域,矩阵向量乘法(MVM)是许多机器学习算法不可或缺的运算环节。然而,传统的同态加密方法在处理MVM时,常常面临计算成本高、通信复杂等挑战,这无疑限制了PPML在实际场景中的广泛应用。因此,探索高效、低成本的同态加密MVM协议,对于提升PPML的性能至关重要。
《Rhombus: Fast Homomorphic Matrix-Vector Multiplication for Secure Two-Party Inference》一文提出了一种在两方隐私推理场景中性能更优的矩阵向量乘法协议。该协议通过降低密文旋转次数和保持O(1)通信复杂度,显著提升了同态加密MVM的效率。这一成果为PPML在实际场景中的应用提供了有力的技术支持。
未来,随着PPML技术的不断发展,我们可以期待更多高效、低开销的同态加密协议和多方安全计算技术的出现。这些技术将共同推动PPML在医疗、金融、教育等领域的广泛应用,为数据安全和个人隐私保护提供更加坚实的保障。
本期蚂蚁技术研究院论文秀Live联合隐语社区邀请蚂蚁数字科技高级算法工程师,论文第一作者何家兴为大家直播论文解读,分享Rhombus协议的技术细节和实验结果。