DC Field | Value | Language |
dc.contributor.author | BENAISSA, AYoub | - |
dc.contributor.author | RETIAT, BIlal | - |
dc.date.accessioned | 2022-04-14T13:54:17Z | - |
dc.date.available | 2022-04-14T13:54:17Z | - |
dc.date.issued | 2020 | - |
dc.identifier.uri | https://repository.esi-sba.dz/jspui/handle/123456789/220 | - |
dc.description | Mr Alaa Eddine Belfedhal Encadreur | en_US |
dc.description.abstract | Machine learning algorithms have achieved remarkable results and are widely applied
in a variety of domains. These algorithms often rely on sensitive and private
data such as medical or financial records. It is therefore vital to draw further attention
regarding privacy threats and corresponding defensive techniques for machine
learning.
Research community has proposed a wide range of defensive techniques to preserve
data privacy in these systems, one of the promising approach is homomorphic
encryption. Thus we revisit existing works that have contributed to reducing the
cost of evaluating neural networks on encrypted data, mainly using homomorphic
encryption schemes, as well as training neural network on encrypted data.
We describe our implementation of the TenSEAL library and the client-server
framework, which can build privacy-preserving machine learning services using homomorphic
encryption. Finally, we show empirical results of our libraries’ evaluation,
and that we can implement a convolutional neural network on the MNIST
dataset and achieve 0.5 MB communication cost.***
Les algorithmes d’apprentissage automatique ont obtenu des résultats remarquables
et sont largement utilisés dans divers domaines. Ces algorithmes dépendent souvent
de données privées et sensibles telles que des données médicales ou financières. Il
est donc essentiel d’attirer davantage l’attention sur les menaces à la privacy et les
techniques de défense correspondante pour l’apprentissage automatique.
La communauté des chercheurs a proposé différentes techniques de défense pour
la préservation de la privacy dans ces systèmes, l’une des approches prometteuses
étant le chiffrement homomorphe. Nous revisitons donc les travaux existants qui
ont contribué à la diminution du cout de calcul lors de l’évaluation des réseaux
de neurones sur des données chiffrées, principalement en utilisant le chiffrement
homomorphe, ainsi que l’entrainement des réseaux de neurones sur des données
chiffrés.
On décrit notre implémentation de la librairie TenSEAL et le framework clientserver
permettant de construire des services d’apprentissage automatique préservant
la privacy, en utilisant le chiffrement homomorphe. Au final, on présente les résultats
empiriques après évaluation de notre librairie, et on montre qu’on peut implémenter
un réseau neuronal convolutif sur le jeu de données MNIST et atteindre un coût de
communication de 0.5 Mo. | en_US |
dc.language.iso | en | en_US |
dc.title | TenSEAL: A Library for Encrypted Machine Learning Using Homomorphic Encryption | en_US |
dc.type | Thesis | en_US |
Appears in Collections: | Ingénieur
|