| 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 | 2026-03-03 14:25 PPMLにおける推定同時分布に基づく特徴量変換とソフトラベル化の提案 ○柳下智史・宮地充子（阪大）  ICSS2025-102 |
|
| 抄録 | （和） | PPML の一つとして，局所差分プライバシー（LDP）により学習データを保護する機械学習フレームワーク SUPM がある．SUPM は次元削減，学習（PPTraining），推論（PPTesting）の三つのフェーズから成り，高次元データに対しても LDP 下で分類を可能にする一方，従来は学習フェーズにおいて摂動データを確定値として直接用いるため，摂動に伴う不確実性が学習に反映されにくく，分類精度が低下していた．本研究では，次元削減フェーズで推定した周辺分布および同時分布と，既知の摂動確率を活用し，(i) 観測値に対する事後分布に基づいて特徴表現を期待値で補正するソフト特徴量（softOHE，softTE），および (ii) 観測ラベルと特徴量の両方から真のラベル分布を推定して教師信号を確率分布として与えるソフトラベル化を導入する．Adult および BR データセットを用いた交差検証実験の結果，ソフト特徴量は特に TTS 環境で顕著な精度向上を示し，ソフトラベル化は多くの設定でベースラインを上回った．また，両者を併用した場合，幅広いプライバシーバジェットにわたり SUPM を一貫して上回る分類精度が得られることを確認した． |
| （英） | As a privacy-preserving machine learning (PPML) approach, SUPM is a machine learning framework that protects training data under local differential privacy (LDP). SUPM consists of three phases: dimension reduction, training (PPTraining), and inference (PPTesting). While it enables classification under LDP even for high-dimensional data, conventional SUPM directly uses perturbed data as deterministic inputs in the training phase. As a result, the uncertainty induced by perturbation is not sufficiently reflected in learning, leading to degraded classification accuracy. In this study, we leverage the marginal and joint distributions estimated in the dimension-reduction phase, together with the known perturbation probabilities, and introduce (i) soft features (softOHE and softTE) that correct feature representations by taking expectations based on the posterior distribution given the observations, and (ii) soft labeling that estimates the true label distribution from both the observed labels and features and provides the teacher signal as a probability distribution. In cross-validation experiments on the Adult and BR datasets, soft features yielded a substantial accuracy improvement, particularly in the TTS setting, and soft labeling outperformed the baseline in many configurations. Moreover, combining both techniques cons | |
| キーワード | （和） | 局所差分プライバシー / 機械学習 / / / / / / |
| （英） | Local differential privacy / Machine learning / / / / / / | |
| 文献情報 | 信学技報, vol. 125, no. 381, ICSS2025-102, pp. 120-127, 2026年3月. | |
| 資料番号 | ICSS2025-102 | |
| 発行日 | 2026-02-24 (ICSS) | |
| ISSN | 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 | ICSS2025-102 |
|
| 研究会情報 | |
| 研究会 | ICSS IPSJ-SPT |
| 開催期間 | 2026-03-03 - 2026-03-04 |
| 開催地（和） | 沖縄県立美術館・博物館 |
| 開催地（英） | Okinawa Prefectural Museum & Art Museum |
| テーマ（和） | セキュリティ，トラスト，一般 |
| テーマ（英） | Security, Trust, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | ICSS |
| 会議コード | 2026-03-ICSS-SPT |
| 本文の言語 | 日本語 |
| タイトル（和） | PPMLにおける推定同時分布に基づく特徴量変換とソフトラベル化の提案 |
| サブタイトル（和） | |
| タイトル（英） | A Feature Transformation and Soft-Labeling Method Based on Estimated Joint Distributions for PPML |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 局所差分プライバシー / Local differential privacy |
| キーワード(2)（和/英） | 機械学習 / Machine learning |
| キーワード(3)（和/英） | / |
| 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） | 柳下 智史 / Tomoshi Yagishita / ヤギシタ トモシ |
| 第1著者 所属（和/英） | 大阪大学 (略称： 阪大) The University of Osaka (略称： Osaka Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 宮地 充子 / Atsuko Miyaji / ミヤジ アツコ |
| 第2著者 所属（和/英） | 大阪大学 (略称： 阪大) The University of Osaka (略称： Osaka Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-03-03 14:25:00 |
| 発表時間 | 20分 |
| 申込先研究会 | ICSS |
| 資料番号 | ICSS2025-102 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.381 |
| ページ範囲 | pp.120-127 |
| ページ数 | 8 |
| 発行日 | 2026-02-24 (ICSS) |
[研究会発表申込システムのトップページに戻る]