抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
データ活用が様々な分野で進んでおり,単一組織が保有するデータから知見を得るだけでなく,組織を横断してデータを連携することにより,より多面的な知見が得られると期待される.一方,組織間でデータ連携を行うには,プライバシ保護が課題となる.組織を横断してデータが分散した状態で機械学習モデルを構築する連合学習では,各組織が保有するデータは共有せず,モデルのパラメータやモデル更新に必要な情報のみを共有することでプライバシを保護する.一方,モデル更新に必要な勾配情報のみからでも学習に利用したデータが漏洩することが指摘されており,各組織のモデル学習において共有する勾配情報にノイズを加える局所差分プライバシを適用することで安全な学習を行っている.しかしながら,局所差分プライバシではノイズ量が多くなりモデルの精度が低下するという課題がある.そこで本論文では,組織を横断して安全にデータ連携する秘匿クロス統計技術を用いて差分プライバシが適用されたクロス集計表を作成し,そのクロス集計表からナイーブベイズ分類器を学習することで,従来の連合学習と比べノイズの影響を低減してモデルの学習を行う手法を提案する.提案手法の有効性を確認するため,連合学習で用いられる深層学習に対する安全な学習手法のDP-SGDと提案手法で分類問題で精度評価を行ったところ,プライバシ予算が限定された状況では,提案手法の方が分類精度が高いことを確認した.(著者抄録)
