机构名称：
¥ 2.0
摘要。机器学习应用程序获得了越来越多的访问高度敏感的信息，同时需要越来越多的计算资源。因此，需要将这些计算昂贵的任务外包，同时仍确保数据的安全性和机密性是迫在眉睫的。在他们的开创性工作中，Tramèr和Boneh提出了激流回旋方案，用于隐私 - 通过将计算分为独立于数据的预处理阶段和非常有效的在线阶段来保存推断。在这项工作中，我们提出了一种新方法，可以通过引入狂欢节协议来显着加快预处理阶段。狂欢节利用子集总和问题的伪随机性也可以在预处理阶段实现有效的外包。除了证明安全性外，我们还包括一项经验研究，分析了针对较小参数的子集总和函数输出均匀性的格局。我们的发现表明，狂欢节是现实世界实施的绝佳候选人。
嘉年华的激流回旋：公众知识的面具的隐私推理
主要关键词
相关文件推荐
