文献

J-GLOBAL ID：201702260822832196   整理番号：17A1260760

SecureML:スケーラブルなプライバシー保持型機械学習のためのシステム【Powered by NICT】

SecureML: A System for Scalable Privacy-Preserving Machine Learning

著者 (2件)： Mohassel Payman ,  Zhang Yupeng
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SP  ページ： 19-38  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 機械学習は,画像処理,音声とテキスト認識のような応用のための予測モデルを生成するために実際に広く用いられている。これらのモデルは,異なる供給源から集めた大量のデータ上で訓練された場合,より正確であった。しかし,大量のデータ収集はプライバシーの懸念を提起する。本論文では,確率的勾配降下法を用いた線形回帰,ロジスティック回帰とニューラルネットワーク学習のための機械学習をプライバシー保護のための新しい効率的なプロトコルを提案した。データ所有者は安全な二パーティ計算(2pc)を用いたジョイントデータに種々のモデルを訓練した二非共謀サーバ間のプライベートデータを配信する筆者らのプロトコルは二サーバモデルであった。共有10進数の安全な算術演算をサポートする新しい技術開発と,以前の研究よりも優れていることをS状とソフトマックスのような非線形関数にMPCに優しい代替案を提案した。はC++で本システムを実装した。著者らの実験は,筆者らのプロトコルはプライバシー線形及びロジスティック回帰を保存するための最新の実用化のものよりも速く数桁の大きさであり,千の特徴をもつ百万データ試料のを評価する検証した。もニューラルネットワークを訓練するための最初のプライバシー保護システムを実装した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *学習 ,  安全性 ,  *プライバシー ,  予測モデル ,  *機械学習 ,  線形性 ,  プロトコル ,  データ収集 ,  演算 ,  ニューラルネットワーク ,  画像処理 ,  最急降下法 ,  非線形関数 ,  プライバシー保護 ,  モデル
準シソーラス用語： ロジスティック回帰分析 , 【Automatic Indexing@JST】

分類 (2件)： データ保護  (JD01020V) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： プライバシー ,  機械学習