Privacy-preserving Online Logistic Regression Based on Homomorphic Encryption (情報論的学習理論と機械学習) Privacy-preserving Online Logistic Regression Based on Homomorphic Encryption

この論文をさがす

著者

抄録

統計的分析を行う際に個人情報を保護することは,機械学習やデータマイニングにおいて多くの注目を集めている.この研究において我々は,異なる人間がそれぞれデータを持っている時に,実際にデータを合わせることなく予測を行うためのプライバシー保護ロジスティック回帰の提案を行う.ロジスティックシグモイド関数は非線形関数であるため,暗号上で扱えないという問題がある.そのため,我々の提案ではロジスティックシグモイド関数の近似として多項式フィッティングを用いている.

Preserve the privacy of personal information when conducting statistical analysis has attracted much attention in machine learning and data mining. In this work, we propose an approach to realize privacy-preserving logistic regression when data are held by different individuals--without actually combining the data together. In our approach, we use polynomial fitting to approximate the logistic function in order to solve the problem that logistic function is not available in the secure settings (encryptions are not applicable) because of its non-linear property. And the experiment shows that our approach achieves good prediction accuracy compared with original logistic regression.

収録刊行物

  • 電子情報通信学会技術研究報告 = IEICE technical report : 信学技報

    電子情報通信学会技術研究報告 = IEICE technical report : 信学技報 113(139), 67-74, 2013-07-18

    一般社団法人電子情報通信学会

各種コード

  • NII論文ID(NAID)
    110009778023
  • NII書誌ID(NCID)
    AA12482480
  • 本文言語コード
    ENG
  • ISSN
    0913-5685
  • NDL 記事登録ID
    024743264
  • NDL 請求記号
    Z16-940
  • データ提供元
    NDL  NII-ELS 
ページトップへ