準同型暗号を用いたプライバシー保護連合学習

• Item type: SIG Technical Reports(1)
• 公開日: 2023-02-27
• タイトル: 準同型暗号を用いたプライバシー保護連合学習
• タイトル / 言語: en
• タイトル: Privacy-Preserving Federated Learning via Homomorphic Encryption
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 準同型暗号・暗号応用
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 大阪大学
• 著者所属: 大阪大学
• 著者所属: 大阪大学／北陸先端科学技術大学院大学
• 著者所属(英): en
• 著者所属(英): Osaka University
• 著者所属(英): en
• 著者所属(英): Osaka University
• 著者所属(英): en
• 著者所属(英): Osaka University / Japan Advanced Institute of Science and Technology
• 著者名: 岡田, 健汰; Yuntao, Wang; 宮地, 充子
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 連合学習は IoT の分野で注目されている技術の一つである．連合学習では各参加者の学習モデルをサーバで集約し，集約結果を用いて参加者はさらに学習モデルを更新できる．しかし連合学習においてモデル関連データを交換すると，参加者の学習重みが漏れる可能性がある．2017 年に Phong らにより，加法準同型暗号を用いた連合学習モデルが提案された．さらに，2021 年に Li らにより，chain-PPFL と呼ばれるプライバシー保護連合学習モデルが提案された．しかし，これらのシステムにおいて，以下の 2 つの脆弱性があると考えられる．1) 参加者が他の参加者の学習重みを知る可能性がある．2) サーバから学習パラメータが漏洩する可能性がある．本論文では準同型暗号の性質を利用した，プライバシー保護連合学習モデル TAHE-PPFL を提案する．TAHE-PPFL ではサーバが参加者の安全性において以下の 3 つの特徴がある．1) 参加者が他の参加者の学習重みを知ることを防ぐ．2) サーバから漏れる情報も暗号化される．3) 耐量子計算機暗号を用いることで量子計算機の時代でも安全に利用できる．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Federated learning (FL) is one of the technologies that have attracted much attention in the field of IoT. In federated learning, the learning models of each participant are aggregated at the server, and the participants can further update their learning models using the aggregated results. However, exchanging model-related data in federated learning may lead to the leakage of participants' learning weights. In 2017, a federated learning model using additively homomorphic encryption (AHE) was proposed by Phong et al. Furthermore, a privacy-preserving federated learning framework called chain-PPFL was proposed by Li et al. in 2021. However, the following two vulnerabilities are considered in these systems. 1)A participant may know the learning weights of other participants. 2)The learning parameters may be leaked from the server. In this paper, we propose a privacy-preserving federated learning model, TAHE-PPFL, which utilize the properties of homomorphic encryption. TAHE-PPFL has the following three features in terms of security. 1)It Prevents participants from knowing the learning weights of other participants. 2)Information leaked from the server is also encrypted. 3)It can be used securely even in the era of quantum computers by using quantum computer resistant cryptography.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11235941
• 書誌情報: 研究報告コンピュータセキュリティ（CSEC）; 巻 2023-CSEC-100, 号 64, p. 1-8, 発行日 2023-02-27
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8655
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会