秘密計算によるプライバシー保護勾配ブースト木

• Item type: Symposium(1)
• 公開日: 2021-10-19
• タイトル: 秘密計算によるプライバシー保護勾配ブースト木
• タイトル / 言語: en
• タイトル: Privacy Preserving Gradient Boosted Decision Trees in Secure Computation
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 秘密計算，機械学習，決定木，勾配ブースト木
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_5794
• 資源タイプ: conference paper
• 著者所属: NTT社会情報研究所
• 著者所属: NTT社会情報研究所
• 著者所属: NTT社会情報研究所
• 著者所属: NTT社会情報研究所
• 著者所属(英): en
• 著者所属(英): NTT Social Informatics Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Social Informatics Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Social Informatics Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Social Informatics Laboratories
• 著者名: 三品, 気吹; 濱田, 浩気; 五十嵐, 大; 菊池, 亮
• 著者名(英): Ibuki, Mishina; Koki, Hamada; Dai, Ikarashi; Ryo, Kikuchi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 秘密計算とはデータを暗号化したまま計算する技術である．そのためプライバシーを保護したまま安全にデータ分析を行う方法として注目されており，中でも近年のデータ分析手法の主流である「機械学習」を秘密計算上で実現する研究は活発に行われている．機械学習手法の中でも特に有名なものとして決定木がある．また，決定木に対してアンサンブル学習手法の一つである「ブースティング」を適用した高精度な学習を実現する手法として「勾配ブースト木 (GBDT) 」があり，高精度さや学習データの前処理の容易さから，深層学習と並んで近年よく用いられている．本稿では，勾配ブースト木を秘密計算上で行うアルゴリズムを提案・実装する．提案手法では，学習データや木の構造，各ノードでの分岐条件等を秘匿したまま勾配ブースト木の学習・予測行う．Boston データセットを用いた実験では，秘密計算ディープラーニングと比較して，40 分の 1 の時間で同等以上の予測性能を得られた．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Secure computation is a technique for computing while keeping data encrypted. Therefore, it is attracting attention as a method to analyze data securely while protecting privacy, and research to realize various machine learning methods on secret computation is actively being conducted. One of the most famous machine learning methods is the decision tree. Gradient Boosted Decision Trees (GBDT) is a method to achieve highly accurate learning by applying "boosting", an ensemble learning method, to decision trees, and has been used frequently in recent years along with deep learning due to its high accuracy and ease of preprocessing of training data. In this paper, we propose and implement an algorithm for performing gradient boosted trees on secure computation. In our experiments on the Boston dataset, we obtained the same or better prediction performance in 1/40th of the time compared with deep learning on secure computation.
• 書誌情報: コンピュータセキュリティシンポジウム2021論文集; p. 134-139, 発行日 2021-10-19
• 出版者 / 言語: ja
• 出版者: 情報処理学会