.png){kind=icon}
返回
Privacy-aware data processing and fair model trading protocols
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.122946.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据已成为驱动数字经济发展和人工智能的基础要素。然而，当前的数据共享情况仍不理想。主要障碍在于数据提供方与数据处理方之间缺乏互信。数据提供方担心原始数据中敏感信息的潜在泄露，而数据处理方则担心不公平交易，例如模型被盗窃或未经付费的滥用。此外，数据提供方需要在不暴露模型的情况下验证其质量。为解决这些挑战，我们提出了一种隐私保护模型外包和公平交易方案，其中所有参与者（包括数据处理方和数据提供方）均可不被信任。该框架将数据所有权、算法执行和验证分离，使数据购买方（获取的是处理后的数据而非原始数据）能够在不访问原始数据的情况下验证模型性能，从而防止数据泄露和转售。我们引入了三个核心协议：数据验证协议、算法验证协议和公平仲裁协议，以确保交易完整性、保护隐私并保障公平补偿。通过广泛的安全分析和动态博弈理论分析，我们证明了该方案的安全性和公平性，能够最大化各方的利益。
Keyword:
Data trading
Privacy protection
UC security framework
Dynamic game theory
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
.png){kind=icon}
查看更多内容