公开(公告)号：DE112021004937B4

公开(公告)日：2025-03-13

申请号：DE112021004937

申请日：2021-11-05

Applicant: IBM

Inventor： RATHA NALINI K ,  NANDAKUMAR KARTHIK ,  PANKANTI SHARATHCHANDRA

IPC: H04L9/40 ,  G06N3/063 ,  G06N3/08 ,  G06N20/00 ,  H04L9/00 ,  H04L9/08 ,  H04L9/16

Abstract: Durch einen Computer umgesetztes Verfahren, wobei das Verfahren aufweist:Empfangen (210) von vollständig homomorph verschlüsselten, FHE, Informationen von einer Client-Einheit (104);Schulen eines Maschinenlernmodells durch Verwenden der FHE-Informationen, durch das sich FHE-Chiffretexte ergeben;Anwenden (220) einer ersten Transformation auf die FHE-Chiffretexte, durch das sich verschleierte FHE-Chiffretexte ergeben, wobei ein Anwenden der ersten Transformation einen Frequenzaspekt der FHE-Chiffretexte verschleiert.;Senden (230) der verschleierten FHE-Chiffretexte an eine sichere Einheit;Empfangen (240) einer erneut verschlüsselten Version der verschleierten FHE-Chiffretexte von der sicheren Einheit;Anwenden (250) einer zweiten Transformation auf die erneut verschlüsselte Version der verschleierten FHE-Chiffretexte, durch das sich entschleierte, erneut verschlüsselte FHE-Chiffretexte ergeben;Schulen des ML-Modells durch Verwenden der erneut verschlüsselten FHE-Chiffretexte, durch das sich FHE-ML-Modellparameter ergeben; undSenden (270) der FHE-ML-Modellparameter an die Client-Einheit (104).

公开(公告)号：DE112021001760T5

公开(公告)日：2023-01-12

申请号：DE112021001760

申请日：2021-04-28

Applicant: IBM

Inventor： SARPATWAR KANTHI ,  NANDAKUMAR KARTHIK ,  RATHA NALINI ,  PANKANTI SHARATHCHANDRA ,  SHANMUGAM KARTHIKEYAN ,  RAYFIELD JAMES THOMAS ,  VACULIN ROMAN

IPC: G06N20/00 ,  G06N3/08 ,  G06N5/00

Abstract: Diese Offenbarung stellt ein Verfahren, eine Vorrichtung und ein Computerprogrammprodukt zum Erstellen eines Modells für maschinelles Lernen bereit, das für eine vollständig homomorphe Verschlüsselung (FHE) optimiert ist. Der Ansatz hierin nutzt einen Rahmen zur Wissensdestillation, bei dem das FHE-optimierte (Schüler-) ML-Modell die Vorhersagen eines komplexeren (Lehrer-) Modells genau nachahmt, wobei das Lehrermodell im Vergleich zu dem Schülermodell komplexer ist und vorab mit großen Datensätzen trainiert wurde. Bei dem Ansatz hierin verwendet der Destillationsrahmen das komplexere Lehrermodell, um das Trainieren des FHE-optimierten Modells zu ermöglichen, allerdings unter Verwendung von synthetisch generierten Trainingsdaten anstelle der ursprünglichen Datensätze, die zum Trainieren des Lehrers verwendet wurden.