用隐私保护管道安全调用深网数据，解决机器学习数据瓶颈。
Props for Machine-Learning Security
- 构建隐私保护管道（Props），实现安全访问深网数据
- 支持隐私保护推理，确保敏感数据可用且可信
- 基于区块链技术的隐私计算系统，可直接落地
我们提出受保护的数据处理管道（简称 Props），一种用于机器学习（ML）的认证性、隐私保护型深网数据访问新方法。通过允许安全使用海量深网数据，Props 解决了机器学习开发中高质量训练数据匮乏这一系统性瓶颈。此外，Props 还支持隐私保护和可信推理，使敏感数据可在机器学习应用中安全使用。该方案当前即可实际实现，其核心依赖于最初为区块链应用开发的隐私保护预言机系统。
原文摘要 · Abstract (English)
We propose protected pipelines or props for short, a new approach for authenticated, privacy-preserving access to deep-web data for machine learning (ML). By permitting secure use of vast sources of deep-web data, props address the systemic bottleneck of limited high-quality training data in ML development. Props also enable privacy-preserving and trustworthy forms of inference, allowing for safe use of sensitive data in ML applications. Props are practically realizable today by leveraging privacy-preserving oracle systems initially developed for blockchain applications.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。