JP2019207384A - スパースコーディングの秘匿演算方法、秘匿演算装置及びプログラム - Google Patents
スパースコーディングの秘匿演算方法、秘匿演算装置及びプログラム Download PDFInfo
- Publication number
- JP2019207384A JP2019207384A JP2018104032A JP2018104032A JP2019207384A JP 2019207384 A JP2019207384 A JP 2019207384A JP 2018104032 A JP2018104032 A JP 2018104032A JP 2018104032 A JP2018104032 A JP 2018104032A JP 2019207384 A JP2019207384 A JP 2019207384A
- Authority
- JP
- Japan
- Prior art keywords
- matrix
- secret
- sparse
- dictionary
- observation signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims description 71
- 239000011159 matrix material Substances 0.000 claims abstract description 103
- 239000013598 vector Substances 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 35
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000014509 gene expression Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 210000000977 primary visual cortex Anatomy 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000008344 brain blood flow Effects 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000003370 receptor cell Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Abstract
Description
M次元の観測信号ベクトルyがK個(K>M)の基底を要素とするM×K行列である辞書行列DとK次元のベクトルであるスパース係数xを用いて、
y=Dx
と表せるとき、
予め与えられた又は観測信号から学習した辞書行列Dを鍵pによって生成されるM×M行列であるランダムユニタリ行列QPを用いて秘匿化して秘匿辞書行列D^に変換して保存する辞書行列変換手順と、
観測信号ベクトルyを前記ランダムユニタリ行列QPを用いて秘匿化して秘匿観測信号y^に変換する観測信号変換手順と、
前記秘匿観測信号y^と保存されている前記秘匿辞書行列D^を用いて数C1で表される最適化問題を直交マッチング追跡法によって解き、前記スパース係数xに近似するスパース係数x^を計算する演算手順と、
を行うことを特徴とする。
M次元の観測信号ベクトルyがK個(K>M)の基底を要素とするM×K行列である辞書行列DとK次元のベクトルであるスパース係数xを用いて、
y=Dx
と表せるとき、
予め与えられた又は観測信号から学習した辞書行列D及び観測信号ベクトルyを鍵pによって生成されるM×M行列であるランダムユニタリ行列QPを用いて秘匿化した秘匿辞書行列D^及び秘匿観測信号y^にそれぞれ変換する変換処理部と、
前記ローカル処理部からの前記秘匿辞書行列D^を保存し、前記ローカル処理部から転送された前記秘匿観測信号y^と保存されている前記秘匿辞書行列D^を用いて数C1で表される最適化問題を直交マッチング追跡法によって解き、前記スパース係数xに近似するスパース係数x^を計算する演算処理部と、
を備えることを特徴とする。
(2)スパースコーディングの秘匿演算をエッジ/クラウドで実行する際のシステム構成
(3)係数選択のアルゴリズムとして広く用いられている直交マッチング追跡法(Orthogonal Matching Pursuit:OMP)の秘匿演算法
スパースコーディングでは、図1に示すように、M次元の観測信号ベクトル
エッジ/クラウド処理部12でスパースコーディングの秘匿演算を行うアーキテクチャを図2ならびに図3に示す。
つまり、事前準備では、ローカル処理部11が予め与えられた又は観測信号から学習した辞書行列Dを鍵pによって生成されるM×M行列であるランダムユニタリ行列QPを用いて秘匿化して秘匿辞書行列D^に変換して保存する辞書行列変換手順を行う。
つまり、スパースコーディングの秘匿演算の実行では、ローカル処理部11が観測信号ベクトルyを前記ランダムユニタリ行列QPを用いて秘匿化して秘匿観測信号y^に変換する観測信号変換手順を行う。
次に、エッジ/クラウド処理部12で、事前に転送された秘匿辞書行列D^と秘匿観測信号y^を用いてOMPのアルゴリズムを実行してスパース係数が推定される。つまり、スパースコーディングの秘匿演算の実行では、エッジ/クラウド処理部12が前記秘匿観測信号y^と保存されている前記秘匿辞書行列D^を用いて数C1で表される最適化問題を直交マッチング追跡法によって解き、前記スパース係数xに近似するスパース係数x^を計算する演算手順を行う。
〔直交マッチング追跡法(OMP)〕
観測信号yと辞書Dが与えられた時、yをDxで近似するような係数xを求める問題を(狭義の)スパースコーディング問題と呼ぶ。ここでは式(2)の最適化問題を再構成誤差を一定の閾値以下に抑えた上でできるだけ少ない数の基底の線型結合で信号を近似する問題
この問題に対する解法として、貪欲法に基づく方法やl0ノルム制約をl1ノルム制約で緩和した上で解く方法など、数多くのアルゴリズムが提案されている。
(ステップS01)
各パラメータを初期化する。
例えば、k=1は一つの基底を使って観測信号yを表すことを意味し、そのときのdiはd1の場合、あるいはそれ以外のd3の場合などもある。また、k=2のときは2つの基底を使って観測信号yを表すことを意味し、そのときのdiはd1とd5の場合、あるいはそれ以外のd1とd3の場合などもある。
ステップS01は初期化なので、k=0、スパース係数xをゼロベクトル、残差rを観測信号y、サポートSを空集合とする。
kをk+1とする。
(ステップS03)
k個目の基底diをサポートSに追加した時の誤差を算出する。
サポートSを更新する。
サポートS内での最良解x−kを探索する。
残差rを更新する。
更新した残差rが目標値ε内であるかを確認する。
ランダムユニタリ行列に基づいた秘匿演算の基本性質について述べる。先行研究において、キャンセラブルバイオメトリクスのための一方法として、ランダムユニタリ変換に基づくテンプレート保護法が研究されている(非特許文献11、13)。一般的にランダムユニタリ行列に基づく秘匿演算では、鍵pによって生成されるランダムユニタリ行列Qpを用いた変換T(・)により、N次元の信号fz(z=1、・・・、L)がN次元の秘匿信号
但し、QpはN×N行列
特徴1:ユークリッド距離の保存
本実施形態のスパースコーディングの秘匿演算では、次式のように秘匿された観測信号y^ならびに辞書行列D^を生成する。
(ステップS01)
各パラメータを初期化する。
kをk+1とする。
(ステップS03)
k個目の基底diをサポートSに追加した時の誤差を算出する。ここで、式(5A)で辞書行列Dと残差rk−1を秘匿したD^とr^k−1で置き換え、式(16)と式(17)の関係式を用いると、近似誤差は次式で表される。
このため、式(19)は次のように書き換えることができる。
サポートSを更新する。ε^(i)=ε(i)より、次式が成立する。
サポートS内での最良解x^kを探索する。
残差r^を更新する。式(8)を秘匿信号に置き換えると次式となる。
更新した残差r^が目標値ε内であるかを確認する。
図7及び図8は、スパースコーディングの秘匿演算のシステムを説明する具体的構成図である。スパースコーディングの秘匿演算のシステムは、ローカル処理部11とエッジ/クラウド処理部12で構成される。
ローカル処理部11は、辞書学習部21、ランダムユニタリ変換部22、キャッシュ部23、送信部24を備える。辞書学習部21は、学習用の観測信号yを受信し、K−SVD法(非特許文献5)などを用い学習して辞書行列Dを生成する。なお、辞書行列Dが予め与えられている場合は、辞書学習部21は不要である。ランダムユニタリ変換部22は、辞書行列Dを鍵pによって生成されるM×M行列であるランダムユニタリ行列QPを用いて秘匿化して秘匿辞書行列D^に変換する。キャッシュ部23は、ランダムユニタリ変換部22で生成された秘匿辞書行列D^を一時保管する。送信部24は、当該秘匿辞書行列D^をエッジ/クラウド処理部12へ送信する。
これらの手順では、ローカル処理部11において辞書学習部21は不要である。ランダムユニタリ変換部22は、観測信号ベクトルyを前記ランダムユニタリ行列QPを用いて秘匿化して秘匿観測信号y^に変換する。キャッシュ部23は、ランダムユニタリ変換部22で生成された秘匿観測信号y^を一時保管する。送信部24は、当該秘匿観測信号y^をエッジ/クラウド処理部12へ送信する。
図7及び図8で説明したスパースコーディングの秘匿演算のシステムの有効性を検証するために、当該システムにおいて秘匿前の観測信号(原信号)と秘匿観測信号(秘匿信号)に対してスパース係数の推定を行った。
過完備なランダム辞書行列Dにスパースベクトルxを入力して、y=Dxにより観測データyを生成した。以下に、具体的な設定条件を示す。
・辞書行列D:30×50のランダム行列(M=30,K=50)
・スパース係数x:非ゼロの係数が正規分布に従うランダム変数。50次元(K=50)のベクトルで、その内で非ゼロの係数の個数はk=(1、2,・・・、10)の10種類。
・サンプル数:それぞれのkについて1000(L=1000)
以下の3つの方法により、スパース係数の推定を行った。
・手法1:直交マッチング追跡法
・手法2:本発明に係る秘匿演算方法
・手法3:ランダム行列による変換
本発明に係るスパースコーディングの秘匿演算方法は、プライバシーを保護しつつエッジ/クラウドの計算資源を利用したスパースコーディングの実行が可能である。本発明に係るスパースコーディングの秘匿演算方法は、プライバシー保護のため観測信号と辞書行列を秘匿した状態でスパース係数を推定でき、かつ普及したアプリケーションでの利用が可能である。
12:エッジ/クラウド処理部
13:メインループ部
21:辞書学習部
22:ランダムユニタリ変換部
23:キャッシュ部
24:送信部
25:受信部
26:データベース部
31:初期化部
32:近似誤差算出部
33:サポート更新部
34:最良解探索部
35:残差更新部
36:演算停止部
37:スパース係数出力部
Claims (3)
- M次元の観測信号ベクトルyがK個(K>M)の基底を要素とするM×K行列である辞書行列DとK次元のベクトルであるスパース係数xを用いて、
y=Dx
と表せるとき、
予め与えられた又は観測信号から学習した辞書行列Dを鍵pによって生成されるM×M行列であるランダムユニタリ行列QPを用いて秘匿化して秘匿辞書行列D^に変換して保存する辞書行列変換手順と、
観測信号ベクトルyを前記ランダムユニタリ行列QPを用いて秘匿化して秘匿観測信号y^に変換する観測信号変換手順と、
前記秘匿観測信号y^と保存されている前記秘匿辞書行列D^を用いて数C1で表される最適化問題を直交マッチング追跡法によって解き、前記スパース係数xに近似するスパース係数x^を計算する演算手順と、
を行うことを特徴とするスパースコーディングの秘匿演算方法。
- M次元の観測信号ベクトルyがK個(K>M)の基底を要素とするM×K行列である辞書行列DとK次元のベクトルであるスパース係数xを用いて、
y=Dx
と表せるとき、
予め与えられた又は観測信号から学習した辞書行列D及び観測信号ベクトルyを鍵pによって生成されるM×M行列であるランダムユニタリ行列QPを用いて秘匿化した秘匿辞書行列D^及び秘匿観測信号y^にそれぞれ変換するローカル処理部と、
前記ローカル処理部からの前記秘匿辞書行列D^を保存し、前記ローカル処理部から転送された前記秘匿観測信号y^と保存されている前記秘匿辞書行列D^を用いて数C1で表される最適化問題を直交マッチング追跡法によって解き、前記スパース係数xに近似するスパース係数x^を計算する演算処理部と、
を備えることを特徴とするスパースコーディングの秘匿演算装置。 - 請求項1に記載のスパースコーディングの秘匿演算方法をコンピュータに実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018104032A JP7072774B2 (ja) | 2018-05-30 | 2018-05-30 | スパースコーディングの秘匿演算方法、秘匿演算装置及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018104032A JP7072774B2 (ja) | 2018-05-30 | 2018-05-30 | スパースコーディングの秘匿演算方法、秘匿演算装置及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019207384A true JP2019207384A (ja) | 2019-12-05 |
JP7072774B2 JP7072774B2 (ja) | 2022-05-23 |
Family
ID=68767698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018104032A Active JP7072774B2 (ja) | 2018-05-30 | 2018-05-30 | スパースコーディングの秘匿演算方法、秘匿演算装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7072774B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021166277A1 (ja) * | 2020-02-21 | 2021-08-26 | 日本電信電話株式会社 | 秘匿計算方法、秘匿計算システム及びプログラム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020246010A1 (ja) * | 2019-06-06 | 2020-12-10 | 日本電信電話株式会社 | 画像認識システム、画像認識サーバ、及び画像認識方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016515732A (ja) * | 2013-03-27 | 2016-05-30 | 株式会社東芝 | 信号処理方法および装置 |
-
2018
- 2018-05-30 JP JP2018104032A patent/JP7072774B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016515732A (ja) * | 2013-03-27 | 2016-05-30 | 株式会社東芝 | 信号処理方法および装置 |
Non-Patent Citations (2)
Title |
---|
仲地 孝之 他: "プライバシー保護を考慮したスパースコーディングの秘匿演算", 情報処理学会 研究報告 オーディオビジュアル複合情報処理(AVM), JPN6022002253, 31 May 2018 (2018-05-31), JP, pages 1 - 6, ISSN: 0004752895 * |
日野 英逸 他: "スパース表現の数理とその応用", 電子情報通信学会技術研究報告, vol. 112, no. 198, JPN6022002251, 26 August 2012 (2012-08-26), JP, pages 133 - 142, ISSN: 0004752894 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021166277A1 (ja) * | 2020-02-21 | 2021-08-26 | 日本電信電話株式会社 | 秘匿計算方法、秘匿計算システム及びプログラム |
WO2021166242A1 (ja) * | 2020-02-21 | 2021-08-26 | 日本電信電話株式会社 | 秘匿計算方法、秘匿計算システム及びプログラム |
JP7360074B2 (ja) | 2020-02-21 | 2023-10-12 | 日本電信電話株式会社 | 秘匿計算方法、秘匿計算システム及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7072774B2 (ja) | 2022-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Efficient and robust recovery of sparse signal and image using generalized nonconvex regularization | |
Takabi et al. | Privacy preserving multi-party machine learning with homomorphic encryption | |
Dupuis et al. | Entanglement sampling and applications | |
Sun | Nonuniform average sampling and reconstruction of signals with finite rate of innovation | |
US8996886B2 (en) | Encrypted biometric data management and retrieval | |
Chen et al. | Incremental factorization of big time series data with blind factor approximation | |
CN110543901A (zh) | 图像识别方法、装置及设备 | |
Abarbanel et al. | Prediction and system identification in chaotic nonlinear systems: Time series with broadband spectra | |
Wang et al. | Scalable solvers of random quadratic equations via stochastic truncated amplitude flow | |
Ling et al. | Self-calibration and bilinear inverse problems via linear least squares | |
Zhang et al. | Compressive phase retrieval via reweighted amplitude flow | |
Zhang et al. | Signal reconstruction of compressed sensing based on alternating direction method of multipliers | |
Li et al. | Image encryption based on compressive sensing and scrambled index for secure multimedia transmission | |
JP7072774B2 (ja) | スパースコーディングの秘匿演算方法、秘匿演算装置及びプログラム | |
Abood et al. | Provably secure and efficient audio compression based on compressive sensing | |
WO2020246010A1 (ja) | 画像認識システム、画像認識サーバ、及び画像認識方法 | |
Stankovic et al. | Demystifying the coherence index in compressive sensing [lecture notes] | |
Mirhoseini et al. | Cryptoml: Secure outsourcing of big data machine learning applications | |
Arico et al. | Spectral analysis of the anti-reflective algebra | |
Du et al. | Compressed Sensing and Dictionary Learning | |
Moudafi | A reflected inertial Krasnoselskii-type algorithm for lipschitz pseudo-contractive mappings | |
Powell | Mean squared error bounds for the Rangan–Goyal soft thresholding algorithm | |
Zhang et al. | Forward-backward pursuit method for distributed compressed sensing | |
JP2021044696A (ja) | 秘匿演算装置、秘匿演算方法及び秘匿演算プログラム | |
Li et al. | Blind quantum machine learning with quantum bipartite correlator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180608 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210415 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220125 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220324 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220405 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220419 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220422 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7072774 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |