การประมวลผลข้อมูลเข้ารหัสลับ

วงจรโฮโมมอร์ฟิคความลึกต่ำสำหรับการฝึกโมเดลรีเกรสชันทางโลจิสติก
บทความนี้อธิบายแนวทางแมชชีนเลิร์นนิงโดยใช้การเข้ารหัสโฮโมมอร์ฟิคซึ่งแสดงวิธีสร้างวงจรสำหรับรีเกรสชันทางโลจิสติกที่สามารถทำการฝึกซ้ำได้มากเป็นสองเท่าด้วยระยะเวลาเท่ากันตามที่มีการเผยแพร่ก่อนหน้านี้

การรวมที่ปลอดภัยของไคลเอนต์ส่วนตัวสำหรับการรักษาความเป็นส่วนตัวด้วย Federated Learning
ในงานนี้ เราแนะนำโปรโตคอลใหม่สำหรับการรักษาความเป็นส่วนตัวด้วย Federated Learning ซึ่งเกี่ยวข้องกับกลุ่มไคลเอ็นต์และเซิร์ฟเวอร์คลาวด์ ซึ่งเซิร์ฟเวอร์จะประมวลผลข้อมูลที่เข้ารหัสเพื่อรวมโมเดลที่ได้รับการฝึกภายในเครื่องของไคลเอนต์ให้เป็นโมเดลส่วนกลางที่เข้ารหัส ซึ่งสามารถถอดรหัสได้โดยไคลเอ็นต์เท่านั้น

การประมวลผลการสืบค้น Top-k บนฐานข้อมูลที่เข้ารหัสพร้อมการรับประกันความปลอดภัยที่แน่นหนา
ในบทความนี้ เราขอเสนอโครงสร้างการประมวลผลการสืบค้น Top-k ที่มีประสิทธิภาพและความปลอดภัยที่สามารถพิสูจน์ได้เป็นครั้งแรกว่ามีการรักษาปลอดภัยแบบ Chosen Query Attack (CQA) แบบปรับได้ นักวิจัยของ AWS ได้พัฒนาโครงสร้างข้อมูลที่มีการเข้ารหัสที่เรียกว่า EHL และอธิบายโปรโตคอลย่อยที่ปลอดภัยหลายตัวเพื่อตอบข้อคำถาม top-k

การอนุมาน XGBoost ที่รักษาความเป็นส่วนตัว
เป้าหมายหลักประการหนึ่งของแมชชีนเลิร์นนิงที่รักษาความเป็นส่วนตัว คือ การช่วยให้ผู้ใช้สามารถส่งข้อคำถามที่เข้ารหัสไปยังบริการ ML ระยะไกล รับผลลัพธ์ที่เข้ารหัสลับ และถอดรหัสลับในเครื่องของตน บทความนี้กล่าวถึงอัลกอริทึมการคาดการณ์ XGBoost ที่รักษาความเป็นส่วนตัว ซึ่งนำไปใช้และประเมินในเชิงประจักษ์บน Amazon SageMaker

ตัวแยกคำฟัซซีเชิงประมวลผล
ในบทความนี้ นักวิจัยของ AWS ได้ตรวจสอบว่าสามารถสร้างตัวแยกฟัซซีได้หรือไม่ อันดับแรก นักวิจัยแสดงให้เห็นว่าร่างที่ปลอดภัยอยู่ภายใต้ขอบเขตบนจากทฤษฎีการเข้ารหัส แม้ว่าข้อกำหนดด้านความปลอดภัยของข้อมูลและทฤษฎีจะผ่อนปรนลงก็ตาม ต่อมา นักวิจัยแสดงผลลัพธ์ที่เป็นบวกว่าสามารถหลีกเลี่ยงผลลัพธ์เชิงลบได้ด้วยการสร้างและวิเคราะห์ตัวแยกฟัซซีเชิงคำนวณขึ้นมาโดยตรง โดยการแก้ไขโครงสร้างโค้ดออฟเซ็ตเพื่อใช้โค้ดเชิงเส้นแบบสุ่ม