详细内容或原文请订阅后点击阅览
PINE：秘密共享向量的有效范数边界验证
高维向量的安全聚合是联合统计和学习中的基本原语。双服务器系统（例如 PRIO）允许可扩展地聚合秘密共享向量。对抗性客户端可能会尝试操纵聚合，因此确保每个（秘密共享）贡献都是格式正确的非常重要。在这项工作中，我们专注于确保每个贡献向量具有有界欧几里得范数这一重要且研究充分的目标。现有的确保有界范数贡献的协议要么会产生很大的通信开销，要么只允许……
来源:Apple机器学习研究高维向量的安全聚合是联合统计和学习中的基本原语。双服务器系统（如 PRIO）允许可扩展地聚合秘密共享向量。敌对客户端可能会尝试操纵聚合，因此确保每个（秘密共享）贡献都是格式正确的非常重要。在这项工作中，我们专注于确保每个贡献向量具有有界欧几里得范数这一重要且研究充分的目标。现有的确保有界范数贡献的协议要么会产生大量的通信开销，要么只允许对范数界限进行近似验证。我们提出了私有廉价范数执行 (PINE)：一种允许精确范数验证且通信开销很小的新协议。对于高维向量，我们的方法的通信开销只有几个百分点，而以前的方法的开销为 16-32 倍。