Privacy-Enhancing Technologies for Artificial Intelligence-Enabled Systems

人工智能（AI）模型会给系统带来隐私漏洞。这些漏洞可能会影响模型所有者或系统用户；它们存在于模型开发、部署和推理阶段，威胁可以是系统内部或外部的。在本文中，我们调查了潜在的威胁，并提出了使用几种隐私增强技术（PETs）来保护AI-enabled系统。然后，我们提供了一个PETs评估框架，用于AI-enabled系统，并讨论PETs可能对系统级变量产生的影响。

如何在人工智能模型的开发、部署和推断阶段中，防止隐私漏洞对模型所有者或系统用户造成的影响？

使用多种隐私增强技术（PETs）来保护人工智能系统，并提供一个PETs评估框架。

论文提出了多种PETs，包括差分隐私、安全多方计算和同态加密等，并提供了一个评估框架。实验使用了MNIST和CIFAR-10数据集，并比较了PETs的性能和隐私保护能力。论文指出PETs可能会对系统的精度、效率和可扩展性产生影响。

最近的相关研究包括《Towards Federated Learning at Scale: System Design》和《Privacy-Preserving Deep Learning》等。