基于同态加密的隐私深度学习

资源内容介绍

本文提出一种基于加法同态加密的隐私保护深度学习系统，允许多个参与者在不暴露本地数据的前提下，协同训练神经网络模型。系统通过加密梯度信息，有效防御诚实但好奇的服务器对数据的窥探，同时保持与传统深度学习相当的模型准确率。相较于先前方法中存在的隐私与准确率权衡问题，该方案实现了安全性与性能的兼得。技术核心结合了异步随机梯度下降（ASGD）与加法同态加密，确保梯度在密文状态下进行聚合更新。文章还分析了通信与计算开销，在MNIST和SVHN等数据集上验证了方案的可行性与效率，为医疗、金融等敏感数据领域的协作学习提供了实用框架。