| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2015-11-27 14:00 ［ポスター講演］準同型暗号を用いた経験損失最小化のための秘密精度保証 ○高田敏行・花田博幸（名工大）・佐久間 淳（筑波大）・竹内一郎（名工大）  IBISML2015-86 |
|
| 抄録 | （和） | 機械学習において，プライバシを考慮すべき事例は増加してきている．本研究では訓練データが複数のパーティに分散されていて，各パーティが自身の保持している秘密情報を他のパーティに公開したくないという状況における経験損失最小化問題を考える． これを実現するための手法の一つとして暗号化を用いるものがある．既存の暗号手法として，暗号化された値に対して加算や乗算を行えるもの（準同型暗号）はあるものの，指数関数や対数関数といった非線形な関数については評価することが難しい．そのため，準同型暗号上で非線形関数を含んだ経験損失最小化問題を解く際は，非線形関数を近似することで近似解を得ていた．しかし，それらの手法ではその結果が真の解とどの程度異なるかを保証することができなかった．本論文ではこれをを実現する方法として，任意の近似解を用いて秘密計算のもとで，最適解とのバウンドを得られる秘密精度保証プロトコルを提案する． |
| （英） | Privacy concern has been increasingly important in many machine learning problems. In this paper, we study empirical risk minimization (ERM) problems under secure multi-party computation (MPC) frameworks where the training set is distributed among multiple parties and each party wants to keep their data private. Main technical tools for MPC have been borrowed from cryptography literature. Although existing cryptographic tools are already efficient for basic calculations such as addition or multiplication, it is still hard to use them for evaluating nonlinear functions such as logarithmic or exponential functions. When we apply these tool to a class of ERM problems in which many nonlinear function evaluations are required, we can only obtain an approximate solution. In this paper, we present a novel privacy preserving protocol called secure approximation guarantee (SAG) protocol. A key advantage of SAG protocol is that, given an arbitrary approximate solution, it can provide a non-probabilistic assumption-free bound on the approximation quality under secure computation framework. We demonstrate the advantage of the SAG protocol by applying it to a class of ERM problems. |
|
| キーワード | （和） | プライバシ保護機械学習 / 準同型暗号 / 凸最適化 / / / / / |
| （英） | Privacy Preserving Machine Learning / Homomorphic Encryption / Convex Optimization / / / / / | |
| 文献情報 | 信学技報, vol. 115, no. 323, IBISML2015-86, pp. 249-256, 2015年11月. | |
| 資料番号 | IBISML2015-86 | |
| 発行日 | 2015-11-19 (IBISML) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | IBISML2015-86 |
|
| 研究会情報 | |
| 研究会 | IBISML |
| 開催期間 | 2015-11-25 - 2015-11-27 |
| 開催地（和） | つくば国際会議場 |
| 開催地（英） | Epochal Tsukuba |
| テーマ（和） | 情報論的学習理論ワークショップ(IBIS2015) |
| テーマ（英） | Information-Based Induction Science Workshop (IBIS2015) |
| 講演論文情報の詳細 | |
| 申込み研究会 | IBISML |
| 会議コード | 2015-11-IBISML |
| 本文の言語 | 日本語 |
| タイトル（和） | 準同型暗号を用いた経験損失最小化のための秘密精度保証 |
| サブタイトル（和） | |
| タイトル（英） | Secure Approximation Guarantee for Private Empirical Risk Minimization with Homomorphic Encryption |
| サブタイトル（英） | |
| キーワード(1)（和/英） | プライバシ保護機械学習 / Privacy Preserving Machine Learning |
| キーワード(2)（和/英） | 準同型暗号 / Homomorphic Encryption |
| キーワード(3)（和/英） | 凸最適化 / Convex Optimization |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 高田 敏行 / Toshiyuki Takada / タカダ トシユキ |
| 第1著者 所属（和/英） | 名古屋工業大学 (略称： 名工大) Nagoya Institute of Technology (略称： NIT) |
| 第2著者 氏名（和/英/ヨミ） | 花田 博幸 / Hiroyuki Hanada / ハナダ ヒロユキ |
| 第2著者 所属（和/英） | 名古屋工業大学 (略称： 名工大) Nagoya Institute of Technology (略称： NIT) |
| 第3著者 氏名（和/英/ヨミ） | 佐久間 淳 / Jun Sakuma / サクマ ジュン |
| 第3著者 所属（和/英） | 筑波大学 (略称： 筑波大) University of Tsukuba (略称： Univ.Tsukuba) |
| 第4著者 氏名（和/英/ヨミ） | 竹内 一郎 / Ichiro takeuchi / タケウチ イチロウ |
| 第4著者 所属（和/英） | 名古屋工業大学 (略称： 名工大) Nagoya Institute of Technology (略称： NIT) |
| 講演者 | 第1著者 |
| 発表日時 | 2015-11-27 14:00:00 |
| 発表時間 | 180分 |
| 申込先研究会 | IBISML |
| 資料番号 | IBISML2015-86 |
| 巻番号（vol） | vol.115 |
| 号番号（no） | no.323 |
| ページ範囲 | pp.249-256 |
| ページ数 | 8 |
| 発行日 | 2015-11-19 (IBISML) |
[研究会発表申込システムのトップページに戻る]