@inproceedings{oai:ipsj.ixsq.nii.ac.jp:00187283,
 author = {栗, 昌平 and 林, 卓也 and 大森, 敏明 and 小澤, 誠一 and 青野, 良範 and Le, Trieu Phong and 王, 立華 and 盛合, 志帆 and Shohei, Kuri and Takuya, Hayashi and Toshiaki, Omori and Seiichi, Ozawa and Yoshinori, Aono and Le, Trieu Phong and Lihua, Wang and Shiho, Moriai},
 book = {コンピュータセキュリティシンポジウム2017論文集},
 issue = {2},
 month = {Oct},
 note = {本稿では，加法準同型暗号を用いたプライバシー保護を可能とするニューラルネットモデルExtreme Learning Machine (ELM)を提案する．提案手法では，データ漏洩リスク無しにデータ解析のための代理計算サーバーの利用が可能となる. ベンチマークデータを用いた性能評価実験では，ロジスティック回帰との比較を行い，提案したELMは分類精度で優れた性能（最大で12％向上）をもつことを示した．提案手法は，プライバシー保護を可能としながら非線形分類器としての高い分類精度を示し，個人情報を含むデータのクラウドサーバー上でのデータ解析を促進するものと期待される．, We propose a privacy preserving Extreme Learning Machine (PP-ELM) using additively homo-morphic encryption. We consider a three participants model; data contributors, an outsourced server, and a data analyst. The data contributor preprocesses the data and encrypts it with additively homomorphic encryption. The outsourced server receives the encrypted data and performs summation on the encrypted data. The data analyst receives the summation from the outsourced server and decrypts it, then uses it to obtain an optimized parameter of ELM. The proposed outsourcing model is expected to mitigate a hurdle of personal data usage on a cloud service.},
 publisher = {情報処理学会},
 title = {加法準同型暗号を用いたプライバシー保護Extreme Learning Machine},
 volume = {2017},
 year = {2017}
}