Privacy-Preserving Tree-Based Inference with Fully Homomorphic Encryption

要約

プライバシー強化技術 (PET) は、データ分析を可能にしながらデータのプライバシーを保護する方法として提案されています。
この作業では、暗号化されたデータに対して任意の計算を実行できる強力なツールである完全準同型暗号化 (FHE) に焦点を当てます。
FHE はここ数年で多くの注目を集め、現実的な実行時間と正確性に到達しました。
より正確には、このホワイト ペーパーでは、FHE をツリーベースのモデルに適用し、暗号化された表形式データに対して最先端のソリューションを取得する方法について説明します。
私たちの方法は、デシジョン ツリー、ランダム フォレスト、勾配ブースティング ツリーなど、さまざまなツリーベースのモデルに適用可能であり、https://でオープンソースである Concrete-ML ライブラリ内に実装されていることを示しています。
github.com/zama-ai/concrete-ml.
選択した一連のユースケースを使用して、FHE バージョンが保護されていないバージョンと精度の点で非常に近いことを示しています。

要約(オリジナル)

Privacy enhancing technologies (PETs) have been proposed as a way to protect the privacy of data while still allowing for data analysis. In this work, we focus on Fully Homomorphic Encryption (FHE), a powerful tool that allows for arbitrary computations to be performed on encrypted data. FHE has received lots of attention in the past few years and has reached realistic execution times and correctness. More precisely, we explain in this paper how we apply FHE to tree-based models and get state-of-the-art solutions over encrypted tabular data. We show that our method is applicable to a wide range of tree-based models, including decision trees, random forests, and gradient boosted trees, and has been implemented within the Concrete-ML library, which is open-source at https://github.com/zama-ai/concrete-ml. With a selected set of use-cases, we demonstrate that our FHE version is very close to the unprotected version in terms of accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google