Resumen

La privacidad y la seguridad se encuentran entre las prioridades más altas en los enfoques de minería de datos sobre datos recopilados de dispositivos móviles. El aprendizaje automático completamente distribuido es una dirección prometedora en este contexto. Sin embargo, es un problema difícil diseñar protocolos que sean eficientes pero que proporcionen niveles suficientes de privacidad y seguridad. En entornos completamente distribuidos, la computación segura entre múltiples partes (MPC, por sus siglas en inglés) a menudo se aplica para resolver estos problemas. Sin embargo, en nuestro dominio de aplicación dinámico e inestable, los algoritmos MPC conocidos no son escalables o no son lo suficientemente robustos. Proponemos un protocolo ligero para calcular de manera rápida y segura la consulta de suma sobre un subconjunto de participantes asumiendo un adversario semi-honesto. Durante la computación, los participantes no aprenden valores individuales. Aplicamos este protocolo para calcular eficientemente la suma de gradientes como parte de un algoritmo de descenso de gradiente estoc

• Materias:Cifrado de búsqueda Ataque criptográfico Seguridad en Internet
• Subjects:Search encryption Cryptographic attack Internet Security
• Palabras claves:Privacidad; Seguridad; Minería de datos; Aprendizaje automático distribuido; Cálculo multipartito seguro; Cálculo de gradientes
• Keywords:Privacy; Security; Data mining; Distributed machine learning; Secure multiparty computation; Gradient computation