Framework ML che preserva la privacy utilizzando la crittografia omomorfica
Un nuovo framework consente di addestrare modelli di machine learning su dati crittografati senza decifrarli, preservando la privacy durante l'intero processo. Il proof-of-concept utilizza Cheon-Kim-Kim-Song (CKKS) per l'aritmetica approssimata in numeri reali e dimostra la fattibilità su modelli K-Nearest Neighbors (KNN) e regressione lineare, con inferenza crittografata per un'architettura base di Multilayer Perceptron (MLP). Pubblicato su arXiv (2604.23245), il lavoro affronta le sfide della privacy nel processo decisionale basato sui dati, consentendo calcoli su dati crittografati e prevenendo accessi non autorizzati durante l'elaborazione.
Fatti principali
- Il paper arXiv 2604.23245 propone un framework ML che preserva la privacy
- Utilizza la crittografia omomorfica Cheon-Kim-Kim-Song (CKKS) per l'aritmetica approssimata in numeri reali
- Dimostra l'addestramento di modelli KNN e regressione lineare su dati crittografati
- Valuta l'inferenza crittografata per un'architettura base di Multilayer Perceptron (MLP)
- Consente calcoli su dati crittografati senza decifrarli
- Affronta le sfide della privacy nel processo decisionale basato sui dati
- La crittografia tradizionale non riesce a proteggere i dati durante l'elaborazione
- Pubblicato come arXiv:2604.23245v1
Entità
Istituzioni
- arXiv