SecureML：一种可扩展的隐私保护机器学习系统

机器学习在实践中广泛用于生成预测模型，应用于图像处理、语音和文本识别等领域。这些模型在使用来自不同来源的大量数据进行训练时更为准确。然而，大规模的数据收集引发了隐私问题。本文提出了新的高效协议，用于线性回归、逻辑回归和神经网络训练的隐私保护机器学习，采用随机梯度下降法。我们的协议属于双服务器模型，数据所有者将其私有数据分布在两个不相互勾结的服务器之间，这些服务器使用安全双方计算(2PC)在联合数据上训练各种模型。我们开发了新的技术以支持共享小数上的安全算术运算，并提出了相对于先前工作的优越选择，替代非线性函数如sigmoid和softmax。我们在C++中实现了我们的系统。实验验证了我们的协议在隐私保护线性和逻辑回归上的速度比现有技术快几个数量级，并可扩展至包含数百万个数据样本和数千个特征。我们还实现了第一个用于训练神经网络的隐私保护系统。