Technical Evaluation of a Disruptive Approach in Homomorphic AI

要約

HBHAI（ハッシュベースの同種性人工知能）として知られるデータセキュリティに対する新しい破壊的な暗号化アプローチの技術的評価を提示します。
HBHAIは、ほとんどのAIアルゴリズムが依存している、ほとんどの類似性特性を自然に保存する重要な依存性ハッシュ関数の新しいクラスに基づいています。
主な主張として、HBHAIは、既存の同性愛暗号化スキームと比較して、前例のないパフォーマンスで、既存のネイティブAIアルゴリズムを変更せずに使用しながら、暗号化的に安全なフォームでデータを分析および処理できるようになりました。
従来の監視されていない監視された学習技術（クラスタリング、分類、深いニューラルネットワーク）を使用して、古典的な未修正AIアルゴリズムを使用して、さまざまなHBHAIで保護されたデータセット（非パブリックプレビュー）をテストしました。
このホワイトペーパーでは、異なる既製のAIアルゴリズムを使用して実施された独立した分析からの技術的な結果を示します。
目的は、HBHAI技術に関するセキュリティ、操作性、パフォーマンスの主張を評価することでした。
結果として、我々の結果はこれらの主張のほとんどを確認し、わずかな留保しかありません。

要約(オリジナル)

We present a technical evaluation of a new, disruptive cryptographic approach to data security, known as HbHAI (Hash-based Homomorphic Artificial Intelligence). HbHAI is based on a novel class of key-dependent hash functions that naturally preserve most similarity properties, most AI algorithms rely on. As a main claim, HbHAI makes now possible to analyze and process data in its cryptographically secure form while using existing native AI algorithms without modification, with unprecedented performances compared to existing homomorphic encryption schemes. We tested various HbHAI-protected datasets (non public preview) using traditional unsupervised and supervised learning techniques (clustering, classification, deep neural networks) with classical unmodified AI algorithms. This paper presents technical results from an independent analysis conducted with those different, off-the-shelf AI algorithms. The aim was to assess the security, operability and performance claims regarding HbHAI techniques. As a results, our results confirm most these claims, with only a few minor reservations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google