基于安全多方学习的隐私保护机器学习研究综述.docVIP

基于安全多方学习的隐私保护机器学习研究综述

随着数据要素市场化配置改革的深入推进，机器学习技术在金融风控、医疗诊断、智慧政务等领域的应用深度持续拓展，数据价值释放与隐私安全保护之间的矛盾日益凸显。传统集中式机器学习模式要求多方数据汇聚到同一平台进行训练，不仅面临数据泄露、滥用等合规风险，也与《数据安全法》《个人信息保护法》中“数据最小化”“可溯源”等要求存在冲突。安全多方学习（SecureMulti-PartyLearning,SMPL）作为密码学与机器学习交叉领域的核心技术，允许多个参与方在不泄露各自私有数据的前提下协同完成模型训练与推理，为实现“数据可用不可见”的目标提供了可行路径，近年来成为隐私计算领域的研究热点。

一、安全多方学习的核心技术框架

安全多方学习的理论基础源于姚期智院士1982年提出的百万富翁问题，其核心是通过密码学协议保证各方输入信息的保密性、计算结果的正确性以及参与方的隐私性。当前主流的安全多方学习技术体系主要基于三类底层密码学原语构建：

（一）秘密共享技术

秘密共享的核心思想是将私有数据拆分为多个秘密份额分发给不同参与方，单个份额无法恢复原始数据，只有达到指定数量的份额协作才能完成计算。在机器学习场景中，加法秘密共享是应用最广泛的方案，各方分别持有数据和模型参数的加法份额，通过本地算术运算与少量交互即可完成线性层、激活函数等算子的安全计算。最新研究表