Editorial Ilmu Komputer & AI
Open AccessOA2024
Secure Multi-Party Computation for Machine Learning: A Survey
Survei ini meninjau kemajuan terbaru dalam secure multi-party computation (SMPC) untuk machine learning, mengategorikan sistem menjadi pendekatan berbasis homomorfik dan berbasis secret sharing, serta mengidentifikasi kesenjangan dalam persyaratan keamanan, pertukaran informasi, insentif, keaslian data, dan efisiensi operasional.
Ian Zhou; Farzad Tofigh; M. Piccardi; M. Abolhasan; D. Franklin; J. Lipmanยท IEEE Accessยท 2024ยท DOI 10.1109/ACCESS.2024.3388992
Masalah inti
Machine learning (ML) adalah teknologi yang ampuh untuk mengekstraksi informasi dari data dengan sifat dan asal yang beragam. Karena penerapannya semakin bergantung pada data dari berbagai entitas, memastikan privasi bagi para kontributor menjadi sangat penting bagi integritas dan keadilan upaya machine learning. Tinjauan ini menelaah kemajuan terbaru dalam secure multi-party computation (SMPC) untuk machine learning, teknologi kunci yang memperjuangkan privasi data. Survei ini mengevaluasi aplikasi-aplikasi tersebut dari berbagai aspek, termasuk model keamanan, persyaratan, jenis sistem, dan model layanan, sejalan dengan praktik yang direkomendasikan IEEE untuk SMPC. Motivasi ini muncul dari kebutuhan yang terus tumbuh untuk melindungi data sensitif sekaligus memungkinkan ML kolaboratif di antara pihak-pihak yang terdistribusi.
Inovasi
Para penulis melakukan analisis literatur terhadap sistem SMPC untuk ML, mengategorikannya secara luas menjadi dua jenis: sistem berbasis homomorfik dan sistem berbasis secret sharing. Sistem berbasis homomorfik memfasilitasi komputasi pada data terenkripsi, memastikan data tetap rahasia sepanjang komputasi. Sistem berbasis secret sharing menyebarkan data ke berbagai pihak dalam bentuk share terfragmentasi, sehingga tidak ada satu pihak pun yang memiliki akses ke data lengkap. Kerangka evaluasi mempertimbangkan model keamanan, persyaratan, jenis sistem, dan model layanan, sesuai dengan praktik yang direkomendasikan IEEE untuk SMPC. Survei ini secara sistematis meninjau kemajuan terbaru dan membandingkannya berdasarkan kriteria tersebut.
Pendahuluan
Machine learning (ML) adalah teknologi yang ampuh untuk mengekstraksi informasi dari data dengan sifat dan asal yang beragam. Karena penerapannya semakin bergantung pada data dari berbagai entitas, memastikan privasi bagi para kontributor menjadi sangat penting bagi integritas dan keadilan upaya machine learning. Tinjauan ini menelaah kemajuan terbaru dalam secure multi-party computation (SMPC) untuk machine learning, teknologi kunci yang memperjuangkan privasi data. Survei ini mengevaluasi aplikasi-aplikasi tersebut dari berbagai aspek, termasuk model keamanan, persyaratan, jenis sistem, dan model layanan, sejalan dengan praktik yang direkomendasikan IEEE untuk SMPC. Motivasi ini muncul dari kebutuhan yang terus tumbuh untuk melindungi data sensitif sekaligus memungkinkan ML kolaboratif di antara pihak-pihak yang terdistribusi.
Mengapa penting
Survei ini menyoroti beberapa kesenjangan dalam lanskap SMPC untuk ML saat ini. Kesenjangan tersebut meliputi: (1) persyaratan keamanan โ kebutuhan akan definisi yang lebih jelas dan model keamanan yang terstandarisasi; (2) pertukaran informasi yang efisien โ protokol komunikasi yang efisien untuk mengurangi overhead; (3) struktur insentif โ mekanisme untuk mendorong partisipasi dan perilaku jujur; (4) keaslian data โ memastikan integritas dan asal-usul data; dan (5) efisiensi operasional โ meningkatkan skalabilitas dan mengurangi biaya komputasi. Mengakui tantangan-tantangan ini, para penulis membayangkan protokol SMPC holistik yang disesuaikan untuk aplikasi machine learning yang mengatasi kesenjangan tersebut. Protokol semacam itu akan mengintegrasikan pertimbangan keamanan, efisiensi, dan insentif untuk memungkinkan ML kolaboratif yang praktis dan menjaga privasi.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ