通过安全多方计算进行支持向量机的隐私保护训练

《ACM Transactions on Privacy and Security》：Privacy-Preserving Training of Support Vector Machines via Secure Multiparty Computation

本研究设计并实现了一个基于安全多方计算（MPC）的隐私保护支持向量机（SVM）训练原型，通过对比分析不同训练方法，发现最小二乘（LS）方法最适合MPC环境，并优化了定点精度以平衡计算效率与模型精度，提出多种改进方案并验证其性能提升达2倍。

　　

摘要

机器学习的强大功能和普遍应用要求采取安全措施来保护敏感数据。安全多方计算（MPC）技术允许一组参与者在保持信息私密性的同时共同计算某个给定的函数。在这项工作中，我们设计了一个使用MPC技术私下训练支持向量机（SVM）的原型。我们深入研究了不同的SVM训练方法与现有最先进的MPC协议之间的相互作用，发现最小二乘（LS）方法是私下训练的最佳选择。随后，我们优化了定点精度，以确保在保持低运行时间和通信量的同时提高准确性。优化的技术细节涉及求解线性系统时梯度方法的步长限制，这可能具有独立的学术价值。我们进一步提出并分析了多种改进LS方法的方案，并比较了它们的性能。最佳改进方案使运行时间和通信复杂度降低了多达2倍，同时不影响训练模型的准确性。为了证明我们解决方案的可行性，我们使用MPC技术为两个实际任务安全地训练了SVM。