🤖 AI

FHAIM: Fully Homomorphic AIM For Private Synthetic Data Generation

FHAIM is het eerste framework dat gebruikmaakt van volledig homomorfe encryptie (FHE) om synthetische gegevens te genereren uit versleutelde tabelgegevens, waardoor privacy gewaarborgd blijft zonder dat de datahouder de ruwe data hoeft te delen.

Oorspronkelijke auteurs: Mayank Kumar, Qian Lou, Paulo Barreto, Martine De Cock, Sikha Pentyala

Gepubliceerd 2026-02-11

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mayank Kumar, Qian Lou, Paulo Barreto, Martine De Cock, Sikha Pentyala

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een supergeheim recept hebt voor de lekkerste appeltaart ter wereld. Dit recept is zo waardevol dat je het nooit aan iemand wilt laten zien, maar je wilt wel dat een grote fabriek (de "AI-service") een soort "nep-recept" maakt. Dit nep-recept moet precies dezelfde smaak hebben als het echte recept, zodat andere bakkers het kunnen gebruiken zonder jouw geheime ingrediënten te stelen.

Tot nu toe was er een probleem: om dat nep-recept te maken, moest je de fabriek je echte recept laten lezen. Dat is riskant! Wat als de fabriek nieuwsgierig is of wordt gehackt?

Dit wetenschappelijke artikel, genaamd FHAIM, heeft een briljante oplossing bedacht. Hier is de uitleg in gewone mensentaal:

1. De "Gecodeerde Handschoenen" (FHE)

De onderzoekers gebruiken een techniek die Fully Homomorphic Encryption (FHE) heet. Denk hierbij aan een magische, afgesloten handschoenenkast.

Jij stopt je geheime recept in de kast en vergrendelt hem met een slot waarvan alleen jij de sleutel hebt. Je stuurt de kast naar de fabriek. De fabriek kan de kast niet openmaken, maar ze hebben wel speciale "magische handschoenen" die door de wanden van de kast heen kunnen voelen. Ze kunnen de ingrediënten tellen en mengen terwijl ze nog in de afgesloten kast zitten. Ze weten niet dat het "suiker" of "kaneel" is, maar ze kunnen wel de verhoudingen berekenen. Zo maken ze het nep-recept zonder ooit te weten wat de echte ingrediënten zijn.

2. De "Mistmachine" (Differential Privacy)

Zelfs als de fabriek het nep-recept heeft gemaakt, is er nog een klein risico: als het nep-recept te perfect is, kunnen slimme mensen misschien raden wat het echte recept was.

Om dit te voorkomen, voegen de onderzoekers een soort "digitale mist" toe (dit noemen ze Differential Privacy). Voordat de fabriek de resultaten uit de kast haalt, wordt er een beetje willekeurige ruis of "mist" toegevoegd aan de cijfers. Het resultaat is een nep-recept dat de juiste smaak heeft, maar door de mist is het onmogelijk om de exacte details van het origineel te achterhalen.

3. Waarom is dit een doorbraak?

Vroeger moest je kiezen:

Optie A: Je deelt je data (gevaarlijk!).
Optie B: Je deelt geen data, maar dan kan de AI niets leren (nutteloos!).

FHAIM zegt: "Waarom niet allebei?"
Het systeem zorgt ervoor dat:

De data nooit onzichtbaar is: De computer werkt alleen met versleutelde "geheimhoudings-blokjes".
Het resultaat bruikbaar is: De AI leert de patronen (zoals: "er moet veel suiker in") zonder de exacte hoeveelheid te weten.
Het snel gaat: De onderzoekers hebben slimme wiskundige trucjes gebruikt waardoor dit proces niet uren of dagen duurt, maar gewoon binnen een paar minuten klaar is.

Samenvatting

FHAIM is als een superveilige digitale kluis met ingebouwde robotarmen. Je kunt de kluis naar een vreemde sturen en diegene kan de inhoud analyseren en er een kopie van maken, zonder dat de kluis ooit opengaat en zonder dat de vreemde weet wat er precies in zit. Dit is fantastisch nieuws voor de zorg (medische gegevens) en de bankwereld (financiële gegevens), waar privacy alles is!

Technische Samenvatting: FHAIM

1. Het Probleem: Het Privacy-Dilemma bij Synthetische Data

In sectoren zoals de gezondheidszorg, financiën en het onderwijs is data cruciaal voor AI-ontwikkeling, maar deze data is vaak "opgesloten" in silo's vanwege strikte privacywetgeving. Synthetische Data Generatie (SDG) biedt een oplossing door kunstmatige data te creëren die de statistische eigenschappen van de originele data nabootst zonder individuele records te onthullen.

De huidige "SDG-as-a-Service" modellen hebben echter een fundamenteel gebrek aan input-privacy. Hoewel ze vaak output-privacy bieden (via Differential Privacy, DP), moet de datahouder de ruwe, onversleutelde data nog steeds delen met de serviceprovider om het model te trainen. Dit creëert een groot vertrouwenrisico. Bestaande alternatieven zoals Federated Learning of Multi-Party Computation vereisen complexe coördinatie tussen meerdere partijen, wat niet altijd praktisch is voor een enkele serviceprovider.

2. Methodologie: De FHAIM-aanpak

De auteurs introduceren FHAIM, het eerste framework dat Fully Homomorphic Encryption (FHE) gebruikt om synthetische data te genereren. FHE stelt een partij in staat om berekeningen uit te voeren op versleutelde data zonder deze ooit te ontsleutelen.

FHAIM is gebouwd op het AIM-algoritme (een state-of-the-art marginal-based methode). Het proces is als volgt gestructureerd:

Systeemarchitectuur: Het systeem bestaat uit vier entiteiten: de Data Entity (bezitter van de data), de Computation Entity (de cloud/server), de Generation Entity (de eigenaar van het algoritme) en de Crypto-Service Entity (beheerder van de cryptografische sleutels).
DP-in-FHE: Het unieke aspect is dat de Differential Privacy (DP) ruis binnen het versleutelde domein wordt toegevoegd. Dit betekent dat de serviceprovider zelfs de statistieken die worden gebruikt voor de training niet kan inzien.
Kernprotocollen:
- $\pi$ COMP (Compute): Gebruikt een efficiënte SIMD-gebaseerde column-wise packing strategie om marginale kansverdelingen (frequenties van combinaties van attributen) te berekenen op versleutelde, one-hot encoded data.
- $\pi$ SELECT (Select): Identificeert welke subset van attributen het meest moet worden bijgewerkt. In plaats van de standaard $L_1$ -norm (die in FHE instabiel is door de noodzaak van complexe polynoom-benaderingen van de absolute waarde), introduceert FHAIM de gekwadrateerde $L_2$ -norm. Dit is een natuurlijke operatie in het CKKS-schema (homomorfe kwadratering), wat zorgt voor numerieke stabiliteit en efficiëntie.
- $\pi$ MEASURE (Measure): Voegt versleutelde Gaussische ruis toe aan de berekende marginalen om de formele DP-garanties te waarborgen.

3. Belangrijkste Bijdragen

Eerste FHE-gebaseerde SDG-framework: Het biedt een oplossing voor input-privacy zonder de noodzaak van meerdere niet-colluderende partijen.
Nieuwe DP-in-FHE Protocollen: Ontwikkeling van efficiënte methoden voor marginale berekeningen en query-selectie binnen het versleutelde domein.
Stabiliteit door $L_2$ -optimalisatie: Het vervangen van de $L_1$ -norm door een gekwadrateerde $L_2$ -norm lost het probleem van instabiele polynoom-approximaties in FHE op.

4. Resultaten

De auteurs testten FHAIM op drie real-world datasets (Cancer, COMPAS, Diabetes):

Utility (Bruikbaarheid): FHAIM-L2 (met de $L_2$ -norm) presteert nagenoeg identiek aan de originele AIM-methode op onversleutelde data. De nauwkeurigheid van machine learning-modellen die op de synthetische data zijn getraind, blijft hoog, zelfs onder strikte privacy-instellingen ( $\epsilon = 1$ ).
Computationele Efficiëntie: De trainingstijd is zeer beheersbaar, variërend van 11 tot 30 minuten. De meeste tijd gaat zitten in de eenmalige initialisatiefase (Compute), terwijl de iteratieve stappen (Select en Measure) zeer snel verlopen.
Geheugengebruik: Het geheugengebruik is laag (onder de 32 MB), wat betekent dat het systeem op standaard cloud-instances kan draaien zonder enorme hardware-eisen.

5. Betekenis en Impact

FHAIM bewijst dat het mogelijk is om een "SDG-as-a-Service" model te creëren waarbij de serviceprovider nooit toegang heeft tot de ruwe data én noch tot de exacte statistische verdelingen. Dit verlaagt de drempel voor het delen van gevoelige data in kritieke sectoren aanzienlijk. Het werk legt de basis voor een veilige, uitbestede workflow voor machine learning waarbij zowel de vertrouwelijkheid van de input als de privacy van de output wiskundig gegarandeerd is.