M&M：通过模数转换和混合模式协议实现安全的双方机器学习

《IEEE Transactions on Dependable and Secure Computing》：M&M: Secure Two-Party Machine Learning through Modulus Conversion and Mixed-Mode Protocols

安全多方机器学习因混合模式协议存在效率瓶颈，M&M框架通过高效模数转换协议解决，实现近似截断误差容忍度6-100倍提升、通信开销降低5倍、运行时减少4倍，并在深度神经网络推理和梯度提升决策树训练中分别获得25%-99%和50%的成本效率优化。

　　

摘要：

通过使用混合模式协议，安全的双方机器学习已经取得了实质性进展，但现有方法常常由于各种加密原语的最优领域之间存在不匹配而遭受效率瓶颈。为应对这些挑战，我们提出了M&M框架，该框架采用了一种高效的模数转换协议。这一突破使得在最合适的加密子协议及其最优模数领域内实现无缝集成成为可能，并且模数转换的开销最小。我们进一步为基本原语（即比较和乘法）在各种双方技术中的性能建立了新的基准和实际优化方案。通过结合这些技术，M&M框架显示出比现有最先进解决方案显著的性能提升：i) 在1位误差容忍度下，近似截断的性能提高了6×100×；ii) 机器学习函数的通信量（分别为运行时间）平均减少了5×（分别为4×）；iii> 深度神经网络的私有推理在成本效率上提高了25%-99%，梯度提升决策树的私有训练效率提高了50%。