Multimodal Privacy-Preserving Entity Resolution with Fully Homomorphic Encryption
Dieser Beitrag stellt ein neuartiges multimodales Framework vor, das Fully Homomorphic Encryption nutzt, um eine sichere, hochpräzise Entitätsauflösung auf großen Datensätzen zu ermöglichen und gleichzeitig sicherzustellen, dass personenbezogene Daten während des gesamten Matching-Prozesses kryptografisch geschützt bleiben.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, eine bestimmte Person in einer riesigen, überfüllten Bibliothek zu finden. Normalerweise würden Sie, um sie zu finden, nach ihrem Namen fragen, ihr Foto ansehen und ihre Adresse prüfen. Aber hier liegt der Haken: Menschen ändern ihre Namen, ziehen um und sehen im Laufe des Alterns anders aus. Manchmal ist das Foto, das Sie haben, alt, und der Name, den sie auf einem Formular geschrieben haben, unterscheidet sich geringfügig (wie „Ann" statt „Anne").
Dies ist das Problem der Entity Resolution (Entitätsauflösung): herauszufinden, dass „Jonathan Diaz" an einer Adresse dieselbe Person ist wie „Jonathan Diaz" an einer anderen Adresse, selbst wenn die Details nicht perfekt übereinstimmen.
Stellen Sie sich nun vor, diese Bibliothek hat eine strenge Regel: Sie dürfen niemals die eigentlichen Bücher oder Fotos ansehen. Sie können sie nur durch einen magischen, unzerstörbaren Glasbehälter betrachten. Sie können Mathematik mit den Büchern im Inneren des Behälters betreiben, ohne ihn jemals zu öffnen oder zu sehen, was sich darin befindet. Dies ist die Kernidee des Papers.
Hier ist eine einfache Aufschlüsselung dessen, was die Forscher taten:
1. Der „magische Glasbehälter" (Fully Homomorphic Encryption)
Die Forscher verwendeten eine spezielle Art von Mathematik namens Fully Homomorphic Encryption (FHE). Stellen Sie sich dies als einen „magischen Glasbehälter" vor.
- Normalerweise: Um zu prüfen, ob zwei Personen identisch sind, muss ein Computer den Behälter „öffnen", den Namen und das Foto lesen, sie vergleichen und dann den Behälter wieder verschließen. Dies ist riskant, denn wenn ein Hacker eindringt, sieht er die privaten Daten aller.
- Ihre Methode: Sie legten die Daten (Namen, Adressen, Fotos) bevor der Computer sie betrachtete, in den „magischen Glasbehälter" (Verschlüsselung). Der Computer führt die Vergleichsmathematik durch, während die Daten noch verschlossen im Inneren sind. Der Computer sieht niemals die echten Namen oder Gesichter; er sieht nur verschlüsselte, durcheinandergewürfelte Zahlen. Das Ergebnis kommt als „Ja, sie stimmen überein" oder „Nein, sie stimmen nicht überein" aus dem Behälter heraus, aber die privaten Details bleiben die ganze Zeit über geheim.
2. Der „Zweispur-Detektiv" (Multimodale Daten)
Die Forscher erkannten, dass es nicht ausreicht, sich nur auf einen Hinweis zu verlassen (wie ein Foto), da Menschen altern. Sich nur auf einen Namen zu verlassen, reicht ebenfalls nicht aus, da Menschen Tippfehler machen.
- Die Lösung: Sie bauten ein System, das wie ein Detektiv mit zwei Spuren von Beweisen funktioniert:
- Biometrisch (Das Gesicht): Ein Foto der Person.
- Biografisch (Die Geschichte): Der Name und die Adresse der Person.
- Sie trainierten eine KI, gleichzeitig sowohl das „Gesicht" als auch die „Geschichte" zu betrachten. Selbst wenn die Adresse leicht falsch geschrieben ist oder das Foto 10 Jahre alt ist, kombiniert das System beide Hinweise, um eine bessere Vermutung anzustellen.
3. Die „Übungsbibliothek" (Synthetischer Datensatz)
Um dies zu testen, konnten sie nicht einfach die privaten Daten echter Menschen verwenden (das wäre illegal und unethisch). Stattdessen erstellten sie eine riesige, gefälschte Bibliothek mit Hilfe von Computern.
- Sie generierten 36.000 fiktive Personen.
- Sie gaben ihnen falsche Namen, falsche Adressen und falsche Fotos.
- Sie veränderten die Dinge absichtlich: Sie änderten die Schreibweise von Namen, gaben Personen mehrere Adressen und ließen die Fotos älter oder jünger aussehen.
- Dies schuf einen „Trainingsplatz", auf dem ihr System lernen konnte, Personen trotz der Verwirrung zuzuordnen, und zwar ohne jemals echte menschliche Daten zu berühren.
4. Die Ergebnisse: Schnell, Sicher und Genau
Die Forscher testeten ihr „magischer Glasbehälter"-System gegen ein normales System (bei dem der Computer die echten Daten sieht).
- Genauigkeit: Das „magische Glasbehälter"-System war genau so genau wie das normale System. Es verlor keine Leistung, nur weil es mit verschlüsselten Daten arbeitete. Tatsächlich wurde es durch die Kombination von Gesicht und Geschichte viel besser darin, die richtige Person zu finden, als wenn man sich nur auf ein Gesicht oder nur auf einen Namen allein verlassen hätte.
- Geschwindigkeit: Mathematik auf „verschlüsselten" Daten durchzuführen, ist normalerweise sehr langsam. Allerdings fanden sie einen Weg, viele Berechnungen gleichzeitig auszuführen (wie 128 Detektive, die parallel arbeiten). Dies machte den Prozess überraschend schnell und reduzierte die Zeit von über 20 Sekunden auf weniger als 5 Sekunden.
Das Fazit
Das Paper stellt eine neue Möglichkeit zur Verifizierung von Identitäten (wie für Pässe oder Bankkonten) vor, die überaus sicher ist. Es ermöglicht Organisationen zu prüfen, ob zwei Datensätze derselben Person gehören, ohne jemals tatsächlich den privaten Namen, die Adresse oder das Foto der Person zu sehen. Sie bewiesen, dass man hohe Sicherheit (Daten verschlossen halten) haben kann, ohne Geschwindigkeit oder Genauigkeit zu opfern.
Kurz gesagt: Sie bauten ein System, das das Rätsel „Wer ist diese Person?" unter Verwendung einer Mischung aus Fotos und Adressen lösen kann, während die Daten in einem digitalen Safe eingeschlossen bleiben, den niemand öffnen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.