Abstract
The paper is devoted to the recent scientific problem of privacy-preserving machine learning. The problem actuality is determined by the growing need to use machine learning for personal data, as well as for data that make up commercial, medical, financial and other types of information protected by law. The aim of the study is to systematize the security models of machine learning, to identify algorithmic tools that can be used to ensure the privacy of the learning process and application of models, as well as to analyze the privacy-preserving machine learning systems. The paper presents the major concepts and definitions related to machine learning, provides a systematization of machine learning problems and methods of their solution, and pays attention to the modern and promising areas of development of machine learning. Among the tasks of machine learning are those for which it is important to ensure the privacy of data from training, test and work samples. Special cryptographic methods and protocols are correlated to the problems solved. A brief description of the known privacy-preserving machine learning systems is given. The machine learning methods supported by these systems, as well as the type of adversary that the system can resist, and the cryptographic primitives used for the implementation are described in the paper. Unsolved problems in the field of privacy-preserving machine learning and prospects for the development of this scientific field are considered.
Highlights
Problems and methods of their solution, and pays attention to the modern and promising areas of development of machine learning
В то же время, насколько может судить автор, в литературе отсутствуют примеры систем конфиденциального машинного обучения для логических методов классификации, еще не затрагивалась задача ранжирования
FLASH: Fast and robust framework for privacy-preserving machine learning M
Summary
Актуальность проблемы определяется возрастающими потребностями в использовании методов машинного обучения для персональных данных, а также данных, составляющих коммерческую, медицинскую, финансовую и иные охраняемые законом виды тайны. Цели работы заключаются в систематизации моделей обеспечения безопасности машинного обучения, выявлении алгоритмических инструментов, которые могут быть использованы для обеспечения конфиденциальности в процессе обучения и применения моделей, сравнительном анализе систем конфиденциального машинного обучения. В статье приводятся основные понятия и определения, связанные с машинным обучением, дается систематизация задач машинного обучения и методов их решения, отмечаются современные и перспективные направления развития машинного обучения. Среди задач машинного обучения выделяются те, для которых актуально обеспечение конфиденциальности данных обучающей, тестовой и рабочей выборок. Дается краткая характеристика известных из литературы систем конфиденциального машинного обучения, при этом отмечаются поддерживаемые ими методы машинного обучения, тип нарушителя, которому может противостоять система, используемые в реализации криптографические примитивы. Рассматриваются нерешенные проблемы в сфере конфиденциального машинного обучения и перспективы развития этой научной области.
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
