ترجمه فارسی مقاله یادگیری عمیق چندجانبه امن کوانتومی

چکیده

Secure multiparty computation enables the joint evaluation of multivariate functions across distributed users while ensuring the privacy of their local inputs. This field has become increasingly urgent due to the exploding demand for computationally intensive deep learning inference. These computations are typically offloaded to cloud computing servers, leading to vulnerabilities that can compromise the security of the clients’ data. To solve this problem, we introduce a linear algebra engine that leverages the quantum nature of light for information-theoretically secure multiparty computation using only conventional telecommunication components. We apply this linear algebra engine to deep learning and derive rigorous upper bounds on the information leakage of both the deep neural network weights and the client’s data via the Holevo and the Cramér-Rao bounds, respectively. Applied to the MNIST classification task, we obtain test accuracies exceeding $96%$ while leaking less than $0.1$ bits per weight symbol and $0.01$ bits per data symbol. This weight leakage is an order of magnitude below the minimum bit precision required for accurate deep learning using state-of-the-art quantization techniques. Our work lays the foundation for practical quantum-secure computation and unlocks secure cloud deep learning as a field.

چکیده به فارسی (ترجمه ماشینی)

محاسبات چند حزب ایمن ارزیابی مشترک توابع چند متغیره را در بین کاربران توزیع شده امکان پذیر می کند و ضمن اطمینان از حریم خصوصی ورودی های محلی خود.این زمینه به دلیل تقاضای منفجر کننده برای استنتاج یادگیری عمیق محاسباتی ، به طور فزاینده ای فزاینده شده است.این محاسبات به طور معمول در سرورهای محاسبات ابری بارگیری می شوند و منجر به آسیب پذیری هایی می شوند که می توانند امنیت داده های مشتری را به خطر بیاندازند.برای حل این مشکل ، ما یک موتور جبر خطی را معرفی می کنیم که از ماهیت کوانتومی نور برای محاسبات چند حزبی از نظر نظری با استفاده از تنها اجزای ارتباطی معمولی استفاده می کند.ما این موتور جبر خطی را برای یادگیری عمیق اعمال می کنیم و مرزهای بالایی سخت را در نشت اطلاعات هر دو وزن شبکه عصبی عمیق و داده های مشتری از طریق Holevo و مرزهای Cramér-Rao به دست می آوریم.اعمال شده برای کار طبقه بندی MNIST ، ما در حالی که نشت کمتر از 0.1 $ بیت در هر نماد وزن و بیت 0.01 $ در هر نماد داده را به دست می آوریم ، دقت آزمایشی را بیش از 96 ٪ $ بدست می آوریم.این نشت وزن یک ترتیب از بزرگی پایین تر از حداقل دقت بیت مورد نیاز برای یادگیری عمیق دقیق با استفاده از تکنیک های کمیته ای پیشرفته است.کار ما پایه و اساس محاسبات عملی کوانتومی را فراهم می کند و یادگیری عمیق ابر را به عنوان یک زمینه باز می کند.