专栏首页arxiv.org翻译专栏完全同态加密深度学习作为一种服务

完全同态加密深度学习作为一种服务

全同态加密(FHE)是隐私保护领域的一个较新的进展

技术。FHE允许加法和乘法的任意深度计算,因此可以应用abel /多项式方程,就像深度学习算法中发现的那样。该项目调查、推导和证明了FHE与深度学习可以在规模上,相对地使用较低的时间复杂度、此类系统所引发的问题以及此类问题的缓解/解决方案。此外,我们还讨论了这将如何对数据隐私的未来产生影响,以及它如何能够在农业食品供应链的各个参与者之间实现数据共享,从而允许基于机器学习的系统的开发。最后,我们发现,尽管FHE带来了较高的空间复杂性成本,但时间复杂性在预期的合理范围内,同时允许绝对私人预测,在我们的情况下,牛奶产量预测。

Fully Homomorphically Encrypted Deep Learning as a Service

Fully Homomorphic Encryption (FHE) is a relatively recent advancement in the field of privacy-preserving

technologies. FHE allows for the arbitrary depth computation of both addition and multiplication, and thus the application of abelian/polynomial equations, like those found in deep learning algorithms. This project investigates, derives, and proves how FHE with deep learning can be used at scale, with a relatively

low time complexity, the problems that such a system incurs, and mitigations/solutions for such problems. In addition, we discuss how this could have an impact on the future of data privacy and how it can enable data sharing across various actors in the agri-food supply chain, hence allowing the development of machine learning-based systems. Finally, we find that although FHE incurs a high spatial complexity cost, the time complexity is within expected reasonable bounds, while allowing for absolutely private predictions to be made, in our case for milk yield prediction.

原文链接:https://arxiv.org/pdf/2107.12997.pdf

原文作者:George Onoufriou, Paul Mayfifield and Georgios Leontidis

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 当联邦学习保护数据隐私,如何保证其自身的安全性?

    联邦学习(Federated Learning)是一种由多方参与的联合计算技术,多方在不泄漏各自隐私数据的前提下,完成模型的训练与推理。

    机器之心
  • 平安科技王健宗:所有AI前沿技术,都能在联邦学习中大展身手

    今天,我们来聊聊联邦学习(Federated Learning)。人工智能和大数据领域的人对于这个新兴词汇一定不陌生,但关于这个连名字都有多种叫法的技术(联邦学...

    AI科技大本营
  • 腾讯“神盾-联邦计算”平台——数据合作的春天

    导语:大数据及人工智能飞速发展的今天,法律法规和信任问题严重阻碍了企业之间的数据流通,数据孤岛问题像一只无形的手挡在了企业之间,因为缺乏有价值的数据合作,各行业...

    腾讯云大数据
  • 腾讯“神盾-联邦计算”平台——数据合作的春天

    导语:大数据及人工智能飞速发展的今天,法律法规和信任问题严重阻碍了企业之间的数据流通,数据孤岛问题像一只无形的手挡在了企业之间,因为缺乏有价值的数据合作,各行业...

    Narutoguo
  • 老师木讲架构:深度学习平台技术演进

    新智元推荐 来源:OneFlow 【新智元导读】近日,袁进辉(老师木)代表OneFlow团队在全球互联网架构大会上海站做了《深度学习平台技术演进》的报告。报告包...

    企鹅号小编
  • 微众银行杨强NeurIPS最新演讲:联邦推荐技术如何应对推荐场景化的发展

    2019年12月8日至12月14日,微众银行首席人工智能官杨强教授受邀参加于加拿大温哥华举办的人工智能和机器学习领域的国际顶级会议:神经信息处理系统大会(Con...

    AI研习社
  • 对话腾讯大数据团队:自研联邦学习系统的技术实践和难点

    ? 作者 | 蔡芳芳 近两年,联邦学习发展迅速,开始从理论研究迈向批量应用的落地阶段,越来越多企业尝试引入联邦学习,用它来解决人工智能大规模落地过程中遭遇的数...

    腾讯大数据
  • 平安科技王健宗:联邦智能—智慧城市的突围之道 | AI 安防峰会

    2020年9月5日,由雷锋网 & AI掘金志主办的「第三届中国人工智能安防峰会」在杭州正式召开。

    AI掘金志
  • 数据不能乱用,新的十年,企业为什么要使用数据共享新范式?

    据不完全统计,在近两年的时间内,因违法GDPR而被开出的罚单规模达到了1.26亿美元,其中最大的一张罚单是由法国政府对谷歌开出的5700万欧元的罚单。

    AI科技评论
  • 老曹眼中的面向数据架构

    数据是系统的核心,在面向服务的架构之外,也可以考虑一下面向数据的架构方式。面向数据的服务架构需要支持多数据源异构,支持动态数据和静态数据,既支持公有云部署又支持...

    半吊子全栈工匠
  • 联邦学习 OR 迁移学习?No,我们需要联邦迁移学习

    海量训练数据是现代机器学习算法、人工智能技术在各个领域中应用获得成功的重要条件。例如,计算机视觉和电子商务推荐系统中的 AI 算法都依赖于大规模的标记良好的数据...

    机器之心
  • 网络蜜罐技术探讨

    *原创作者bt0sea,本文属FreeBuf原创奖励计划,未经许可禁止转载 之前在FreeBuf发表的第一篇有关蜜罐文章,引起了业界不小的轰动,但是...

    FB客服
  • 深度学习的异构加速技术(三):互联网巨头们“心水”这些 AI 计算平台

    在本篇中,将走进工业界,看一看半导体厂商和互联网巨头在 AI 计算中的不同选择。

    腾讯技术工程官方号
  • 字节跳动破局联邦学习:开源Fedlearner框架,广告投放增效209%

    作为分布式的机器学习范式,联邦学习能够有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,挖掘数据价值。

    深度学习与Python
  • 联邦学习技术应运而生!

    联邦学习作为一种强调数据安全和隐私保护的分布式机器学习技术,在人工智能广泛发挥作用的背景下,受到广泛关注。

    Datawhale
  • 一种用于人脸检测的设备上的深度神经网络

    苹果公司开始在iOS 10中使用深度学习进行人脸检测。随着Vision框架的发布,开发人员现在可以在他们的应用程序中使用这种技术和许多其他计算机视觉算法。本文讨...

    QiqiHe
  • 业界 | 两家ALL IN AI巨头的联手:英伟达与百度宣布形成广泛合作关系

    机器之心报道 作者:李泽南 英伟达正与百度合力加速人工智能技术的发展。本次两方宣布的合作范围包括云数据中心、自动驾驶和智能家居等领域。 在 7 月 5 日的 C...

    机器之心
  • 深度学习“引擎”之争:GPU加速还是专属神经网络芯片?

    用户1737318
  • 腾讯 AngelFL 联邦学习平台揭秘

    ? 作者:AI前线 数据里蕴含着价值。在人工智能时代,机器学习尤其深度学习模型的获得需要大量的训练数据作为前提。但是在很多业务场景中,模型的训练数据往往分散...

    腾讯技术工程官方号

扫码关注云+社区

领取腾讯云代金券