隐私保护机器学习的密码学方法

摘要：

新一代人工智能技术的特征，表现为借助GPU计算、云计算等高性能分布式计算能力，使用以深度学习

算法为代表的机器学习算法，在大数据上进行学习训练，来模拟、延伸和扩展人的智能。不同数据来源、不同的

计算物理位置，使得目前的机器学习面临严重的隐私泄露问题，因此隐私保护机器学习(PPML)成为目前广受关注

的研究领域。采用密码学工具来解决机器学习中的隐私问题，是隐私保护机器学习重要的技术。该文介绍隐私保

护机器学习中常用的密码学工具，包括通用安全多方计算(SMPC)、隐私保护集合运算、同态加密(HE)等，以及

应用它们来解决机器学习中数据整理、模型训练、模型测试、数据预测等各个阶段中存在的隐私保护问题的研究

方法与研究现状。

1.引言

人工智能火热的同时，也带来了严重的隐私问题。由于这一代人工智能技术是建立在大数据技术和高性能计算之上的，而大数据一定来源多样，本身存在隐私范围扩大、隐私权利归属复杂、隐私保护难度大的问题。高性能计算一般以云计算和分布式计算为特征，用户数据脱离本地计算，数据的访问控制、隐私保护难度增大。为了解决人工智能中的隐私保护问题，研究者提出了各种隐私保护机器学习的方法，这其中，密码学技术在其中扮演了至关重要的角色。

2.机器学习及其面临的隐私风险