A Fully Secure Approach to Privacy-Preserving Machine Learningfor Satellite Image Classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper explores the concept of a fully secure privacy-preserving machine learning image classification system for satellite images. The proposed approach combines two unique areas of research: Homomorphic Encryption (HE) and supervised Machine Learning (ML). While current state of the art research has shown high levels of accuracy when using Convolutional Neural Networks (CNN) in combination with HE, no current work is fully secure. Using homomorphic encryption adds several unique constraints, some that can be overcome and some that cannot. For example, HE only supports a limited number of mathematical operations. This restriction influences many ML algorithms, such as CNN, where certain layers are removed during the prediction stage as the math is not supported. The work presented here combines the CKKS homomorphic encryption scheme with Support Vector Machines (SVMs) to achieve a fully secure image classification system. The SVM model is trained using unencrypted images before both the images and ML model are encrypted with CKKS encryption scheme. Once fully encrypted using 128-BIT AES equivalent encryption, the data can be uploaded to the cloud for secure predictions. The cipher-to-cipher mathematics are complex, but the cloud provides immense resources allowing for efficient predictions. Preliminary results show that fully secure cipher-to-cipher image classification is possible at a rate of roughly 30,000 images per hour. At this rate, the proposed system retains an accuracy of 87%, matching the results of the unencrypted system. This demonstrates that by using CKKS homomorphic encryption and SVM machine learning it is possible to create a fully secure privacy-preserving image classification system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle