麻省理工學院可以保護雲計算AI而且不會降低它的運算速度
敏感數據可以保持安全，同時保持有用。
保護基於雲的AI系統非常重要，特別是當他們使用照片或醫療記錄等敏感數據時。但是，到目前為止，這還不是很實際 - 加密數據會使機器學習系統變得如此之慢以至於幾乎無法使用。麻省理工學院幸好有一個GAZELLE形式的解決方案，這項技術承諾加密卷積神經網絡而不會出現急劇減速。關鍵是將兩種現有技術融合在一起，以避免這些方法產生的通常瓶頸。
首先，用戶將數據上傳到AI依賴於“亂碼電路”方法，該方法接收輸入並向對話的每一側發送兩個不同的輸入，為用戶和神經網絡隱藏數據，同時使相關輸出可訪問。但是，如果用於整個系統，那麼這種方法通常會過於密集，因此麻省理工學院在將更高要求的計算層發送回用戶之前，會使用同態加密（兩者都需要並生成加密數據）。然而，同態方法必須引入噪聲以便工作，因此它僅限於在傳輸信息之前一次處理一層。簡而言之：麻省理工學院正在根據各方最擅長的方式分配工作量。
據麻省理工學院的數據顯示，這一結果使得性能比傳統方法的性能提高了30倍，並且有望將所需的網絡帶寬縮小“一個數量級”。這可能導致更多地使用基於互聯網的神經網絡來處理重要信息，而不是迫使公司和機構建立昂貴的本地等價物或完全忘記基於AI的系統。例如，醫院可以教AI在MRI掃描中發現醫療問題，並在不暴露患者數據的情況下與他人分享該技術。
分享到:
閱讀更多 科普實驗室 的文章
