在 Apple 生态系统中结合机器学习和同态加密
在 Apple，我们认为隐私是一项基本人权。我们保护用户隐私的工作遵循一系列隐私原则，其中一项原则是优先使用设备上的处理。通过在用户设备上本地执行计算，我们有助于最大限度地减少与 Apple 或其他实体共享的数据量。当然，用户可以请求由机器学习 (ML) 提供支持的设备体验，这些体验可以通过查找服务器上托管的全局知识来丰富。为了在提供这些体验的同时坚持我们对隐私的承诺，我们实施了…
来源:Apple机器学习研究在苹果公司，我们认为隐私是人类的基本权利。我们保护用户隐私的工作由一组隐私原则告知，其中之一是优先使用设备处理。通过在用户设备上本地执行计算，我们可以帮助最大程度地减少与Apple或其他实体共享的数据量。当然，用户可以要求通过机器学习（ML）提供动力的设备体验，这些体验可以通过查找在服务器上托管的全球知识来丰富。为了在提供这些经验的同时维护我们对隐私的承诺，我们实施了一系列技术，以帮助确保这些服务器查找是私人，高效且可扩展的。
我们用来做到这一点的关键技术之一是同态加密（HE），这是一种可以在加密数据上计算的加密形式（请参见图1）。他的设计使客户端设备在将查询发送到服务器之前对查询进行加密，并且服务器在加密的查询上运行并生成了加密的响应，然后客户端解密。服务器不会解密原始请求，甚至可以访问解密密钥，因此他旨在在整个过程中保持客户端查询的私密性。
（见图1）在Apple，我们将HE与其他隐私保护技术结合使用，以启用各种功能，包括私人数据库查找和ML。我们还使用多种优化和技术来平衡HE的计算开销与生产应用程序的潜伏期和效率要求。在本文中，我们概述了我们如何使用他以及诸如私人信息检索（PIR）和私人邻居搜索（PNNS）（PNNS）等技术，并详细介绍了我们如何将这些和其他隐私保护技术组合起来，并在生产中使用生产中的保护技术来启动增强的视觉搜索，同时保护照片的视觉用户隐私（请参见图2）。
（见图2） 快速塑形加热 此帖子 Brakerski µ，