私有线性计算：算法、性能极限及其在机器学习中的应用

《IEEE BITS the Information Theory Magazine》：Private Linear Computation: Algorithms, Performance Limits, and Applications to Machine Learning

隐私计算框架及线性组合计算（PLC）问题研究，提出满足功能隐私、联合支持隐私和个体支持隐私的方案，分析信息下载优化，探讨其在隐私保护统计推断和机器学习中的应用。

　　

摘要：

本文介绍了私有计算（Private Computation）这一基础框架，它能够在广泛的应用场景中实现数据隐私保护。私有计算技术允许客户端在远程服务器上对数据进行处理，而无需泄露与计算相关的敏感信息，例如具体执行的计算函数或参与计算的数据项的身份。我们重点关注私有线性计算（Private Linear Computation, PLC）问题，其目标是在不暴露任何隐私信息的情况下，从远程服务器中获取一组数据项的线性组合结果。首先，我们回顾了几个关键的密码学隐私概念：功能隐私（functional privacy），用于保护所需线性组合的系数；联合支持隐私（joint support privacy），用于隐藏参与组合的所有数据项的身份；以及个体支持隐私（individual support privacy），用于隐藏每个数据项的个体身份。接下来，我们分别针对单服务器和多服务器场景，提出了符合这些隐私要求的PLC方案。同时，我们还讨论了这些方案在客户端从服务器下载数据总量方面的最优性。最后，我们探讨了PLC方案在实现远程数据上的隐私保护统计推断和机器学习方面的潜在作用。