• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International conference on neural information processing;Annual conference of Asia-Pacific Neural Network Society >Efficient Integer Vector Homomorphic Encryption Using Deep Learning for Neural Networks
【24h】

Efficient Integer Vector Homomorphic Encryption Using Deep Learning for Neural Networks

机译：使用深度学习的神经网络有效整数矢量同态加密

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Machine learning techniques based on neural networks have achieved significant applications in a wide variety of areas. There is a great risk on disclosing users' privacy when we train a high-performance model with a large number of datasets collected from users without any protection. To protect user privacy, we propose an Efficient Integer Vector Homomorphic Encryption (EIVHE) scheme using deep learning for neural networks. We use EIVHE to encrypt users' datasets, then feed the encrypted datasets into a neural network model, and finally obtain the trained model for neural networks. EIVHE is an innovative bridge between cryptography and deep learning, which aims at protecting users' privacy. The experiments demonstrate that the deep neural networks can be trained by encrypted datasets without privacy leakage, and achieve an accuracy of 89.05% on MNIST. Moreover, this scheme allows us to conduct computation in an efficient and secure way.
机译：基于神经网络的机器学习技术已在众多领域中取得了重要的应用。当我们使用从用户那里收集到的大量数据集而没有任何保护地训练高性能模型时，存在泄露用户隐私的巨大风险。为了保护用户隐私，我们提出了一种使用深度学习的神经网络的有效整数向量同态加密（EIVHE）方案。我们使用EIVHE对用户的数据集进行加密，然后将加密的数据集输入到神经网络模型中，最后获得经过训练的神经网络模型。 EIVHE是加密技术和深度学习之间的创新桥梁，旨在保护用户的隐私。实验表明，深度神经网络可以通过加密的数据集进行训练而不会造成隐私泄露，在MNIST上的准确率达到了89.05％。而且，该方案允许我们以有效和安全的方式进行计算。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号