Mosformer: Maliciously Secure Three-Party Inference Framework for Large Transformers.
该论文提出 Mosformer，据称是首个支持大型 Transformer（如 BERT 和 GPT）的恶意安全三方计算（3PC）推理框架。基于 Transformer 的模型在众多 AI 任务中表现优异，但当以云推理服务形式部署时，用户输
#malicious-security
共收录 5 条相关情报。
← 返回所有主题Camel: Communication-Efficient and Maliciously Secure Federated Learning in the Shuffle Model of Differential Privacy.
联邦学习（FL）是一种允许多个客户端在不共享原始本地数据的情况下，仅通过共享梯度更新联合训练模型的范式。然而梯度更新本身也可能泄露隐私。现有方法通常采用本地差分隐私（LDP）机制，在共享前由客户端本地扰动梯度，但这类方法会因添加大量噪声而严
Simple, Fast Malicious Multiparty Private Set Intersection.
本文研究多方隐私集合交集（Multiparty Private Set Intersection）在恶意敌手模型下的安全协议设计问题。隐私集合交集允许多方在不泄露各自集合内容的前提下计算交集，是安全多方计算中的基础问题，广泛应用于社交网络好
Poster: Verifiable Encodings for Maliciously-Secure Homomorphic Encryption Evaluation.
本文针对同态加密（Homomorphic Encryption, HE）在恶意敌手模型下计算结果缺乏可验证性的问题展开研究。同态加密允许在密文上直接执行计算，是隐私保护数据分析的关键技术，但现有HE管道无法防止恶意服务器返回错误计算结果。为
Titanium: A Metadata-Hiding File-Sharing System with Malicious Security.
该论文提出了 Titanium，一种具有恶意安全性的元数据隐藏文件共享系统。在端到端加密文件共享系统中，文件内容对存储服务器保密，但服务器仍能学习元数据，如用户身份和访问模式。先前的工作如 Metal（NDSS '20）在恶意服务器模型下不