호크: 안전한 조회 테이블 계산을 이용한 정확하고 빠른 개인 정보 보호 기계 학습

여러 엔터티의 데이터에 대한 기계 학습 모델을 직접 데이터 공유 없이 교육하는 것은 비즈니스, 법적 또는 윤리적 제약으로 인해 방해받던 응용 프로그램을 열 수 있습니다. 본 연구에서는 로지스틱 회귀 및 신경망 모델을 위한 새로운 개인 정보 보호 기계 학습 프로토콜을 설계하고 구현합니다. 우리는 데이터 소유자가 두 서버 간에 데이터를 비밀 공유하는 이중 서버 모델을 채택하여 두 서버가 공동 데이터를 기반으로 모델을 교육하고 평가합니다. 기존 방법에서 비효율성과 부정확성의 중요한 원인은 비선형 활성화 함수를 계산하기 위해 야오의 난수 회로를 사용하는 데서 발생합니다. 우리는 비밀 공유된 조회 테이블을 기반으로 비선형 함수를 계산하는 새로운 방법을 제안하여 계산 효율성과 향상된 정확성을 제공합니다. 누수 없는 기술을 도입하는 것을 넘어서, 개인 정보 보호 기계 학습을 위한 완화된 보안 조치의 탐색을 시작합니다. 서버가 계산 중 아무런 지식을 얻지 않는다고 주장하는 대신, 조회 테이블에 대한 접근 패턴에 대해 일부 정보가 드러날 수 있지만, 이는 엡실론-dX-프라이버시를 유지한다고 주장합니다. 이 완화를 활용하면 교육에 필요한 계산 자원을 크게 줄일 수 있습니다. 우리는 이 완화된 보안 패러다임에 맞춰 새로운 암호화 프로토콜을 제시하고 누수를 정의 및 분석합니다. 우리의 평가는 로지스틱 회귀 프로토콜이 최대 9배 빠르고, 신경망 교육이 SecureML보다 최대 688배 빠르다는 것을 보여줍니다. 특히 우리의 신경망은 15 에포크에서 MNIST에서 96.6%의 정확도를 달성하여 같은 아키텍처를 사용한 이전 기준보다 93.4%에서 능가합니다.