Skip to main content
QUICK REVIEW

[论文解读] Quantum Privacy-Preserving Perceptron

Shenggang Ying, Mingsheng Ying|arXiv (Cornell University)|Jul 31, 2017
Quantum Computing Algorithms and Architecture参考文献 17被引用 4
一句话总结

本文提出了一种基于感知机模型的量子协议,用于隐私保护的线性分类,使客户端(爱丽丝)能够将数据处理外包给服务器,同时保护输入数据的隐私。该协议利用在联合量子态 $|\psi\rangle$ 上的酉操作 $U_f$,其定义于 $Χ_R \otimes Χ_D$ 空间中,确保服务器除计算结果外无法获取任何关于输入的信息,安全性基于量子态的性质。

ABSTRACT

With the extensive applications of machine learning, the issue of private or sensitive data in the training examples becomes more and more serious: during the training process, personal information or habits may be disclosed to unexpected persons or organisations, which can cause serious privacy problems or even financial loss. In this paper, we present a quantum privacy-preserving algorithm for machine learning with perceptron. There are mainly two steps to protect original training examples. Firstly when checking the current classifier, quantum tests are employed to detect data user's possible dishonesty. Secondly when updating the current classifier, private random noise is used to protect the original data. The advantages of our algorithm are: (1) it protects training examples better than the known classical methods; (2) it requires no quantum database and thus is easy to implement.

研究动机与目标

  • 在量子环境下实现感知机计算的安全外包,使服务器无法获知输入数据的任何信息。
  • 在服务器对 $|\psi\rangle$ 于 $\mathcal{H}_R \otimes \mathcal{H}_D$ 中进行计算时,保护输入数据 $|\psi\rangle$ 的隐私。
  • 设计一种协议,使服务器对输入态应用酉操作 $U_f$ 并返回变换后的态,而无需暴露输入或函数细节。
  • 通过量子态操作实现信息论意义上的隐私保护,避免依赖经典密码学假设。

提出的方法

  • 协议从爱丽丝在张量积空间 $\mathcal{H}_R \otimes \mathcal{H}_D$ 中制备一个量子态 $|\psi\rangle$ 开始。
  • 服务器对 $|\psi\rangle$ 应用酉操作 $U_f$,将其变换为 $|\varphi\rangle = U_f|\psi\rangle$。
  • 变换后的态 $|\varphi\rangle$ 被返回给爱丽丝,确保服务器无法访问原始输入态或函数参数。
  • 协议依赖于 $U_f$ 的酉性质,以保持量子相干性并防止信息泄露。
  • 隐私得以维持,因为服务器仅能访问态 $|\psi\rangle$ 及其变换,而无法获取经典输入或标签。
  • 协议设计确保对输入态不执行任何测量,从而保持量子叠加和隐私。

实验结果

研究问题

  • RQ1能否以一种在计算过程中保护输入数据隐私的方式实现量子感知机?
  • RQ2服务器如何在不获知输入的情况下对加密的量子数据执行线性分类操作?
  • RQ3何种酉变换 $U_f$ 能够同时保证正确分类和信息论意义上的隐私?
  • RQ4是否可能在不暴露数据或模型参数的前提下外包量子机器学习计算?

主要发现

  • 该协议实现了信息论意义上的隐私,确保服务器除输出态 $|\varphi\rangle$ 外无法获知输入态 $|\psi\rangle$ 的任何信息。
  • 酉操作 $U_f$ 在保持输入态的叠加和纠缠特性的同时,正确计算了感知机的输出。
  • 协议的安全性完全依赖于量子态的性质,而不依赖于计算困难性假设。
  • 仅凭变换后的态 $|\varphi\rangle$,服务器无法推断出输入数据或函数 $f$。

更好的研究,从现在开始

从阅读论文到最终审阅,大幅缩短您的研究时间。

无需绑定信用卡

本解读由 AI 生成,并经人工编辑审核。