面向分布式人工智能/机器学习推理的私有可验证矩阵乘法
《ACM Transactions on AI Security and Privacy》:Private and Verifiable Matrix Multiplication for Distributed AI/ML Inference
【字体:
大
中
小
】
时间:2026年08月30日
来源:ACM Transactions on AI Security and Privacy
编辑推荐:
## 摘要
卸载计算正在成为运行大规模计算的事实标准范式。然而,这也带来了数据隐私和可信度等多方面的挑战。本文聚焦于适用于人工智能/机器学习推理中的矩阵乘法运算。具体而言,我们考虑以下场景:模型所有者拥有矩阵 $A$,数据所有者拥有矩阵 $B$,而客户端希望获取乘积 $AB
## 摘要卸载计算正在成为运行大规模计算的事实标准范式。然而,这也带来了数据隐私和可信度等多方面的挑战。本文聚焦于适用于人工智能/机器学习推理中的矩阵乘法运算。具体而言,我们考虑以下场景:模型所有者拥有矩阵 $A$,数据所有者拥有矩阵 $B$,而客户端希望获取乘积 $AB$。该计算任务被卸载到分布式计算节点上。虽然现有的隐私保护技术可以用于保护计算节点上模型和数据的隐私,但计算节点可能不可信,并可能篡改卸载计算的结果。在本文中,我们提出了一种高效的完整性检查方法,客户端能够通过与模型所有者协作来验证从计算节点接收的计算结果。我们的方法设计如下:矩阵 $A$ 和 $B$ 的隐私相对于客户端得到保护,同时矩阵 $B$ 的隐私在与客户端协作进行完整性检查时相对于模型所有者也得到保护。我们的方法基于同态哈希函数的新颖应用,该函数天然地保护了矩阵 $B$ 相对于模型所有者和客户端的隐私。理论分析给出了该方法检测攻击的概率以及计算复杂度。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号