Hawk: Aprendizado de Máquina Rápido e Preciso que Preserva a Privacidade Usando Cálculo Seguro de Tabela de Consulta

Treinar modelos de aprendizado de máquina com dados de várias entidades sem compartilhamento direto de dados pode desbloquear aplicações que, de outra forma, seriam impedidas por restrições comerciais, legais ou éticas. Neste trabalho, projetamos e implementamos novos protocolos de aprendizado de máquina que preservam a privacidade para modelos de regressão logística e redes neurais. Adotamos um modelo de dois servidores onde os proprietários de dados compartilham secretamente seus dados entre dois servidores que treinam e avaliam o modelo nos dados conjuntos. Uma fonte significativa de ineficiência e imprecisão nos métodos existentes surge do uso dos circuitos embaralhados de Yao para calcular funções de ativação não lineares. Propomos novos métodos para calcular funções não lineares baseados em tabelas de consulta compartilhadas secretamente, oferecendo tanto eficiência computacional quanto precisão melhorada. Além de introduzir técnicas sem vazamento, iniciamos a exploração de medidas de segurança relaxadas para aprendizado de máquina que preserva a privacidade. Em vez de afirmar que os servidores não obtêm conhecimento durante o cálculo, sustentamos que, embora algumas informações sejam reveladas sobre padrões de acesso a tabelas de consulta, mantém-se a privacidade epsilon-dX. Aproveitar essa relaxação reduz significativamente os recursos computacionais necessários para o treinamento. Apresentamos novos protocolos criptográficos adaptados a esse paradigma de segurança relaxada e definimos e analisamos o vazamento. Nossas avaliações mostram que nosso protocolo de regressão logística é até 9 vezes mais rápido e o treinamento da rede neural é até 688 vezes mais rápido que o SecureML. Notavelmente, nossa rede neural alcança uma precisão de 96,6% no MNIST em 15 épocas, superando benchmarks anteriores que chegaram a 93,4% usando a mesma arquitetura.