JP2021044696A - 秘匿演算装置、秘匿演算方法及び秘匿演算プログラム - Google Patents
秘匿演算装置、秘匿演算方法及び秘匿演算プログラム Download PDFInfo
- Publication number
- JP2021044696A JP2021044696A JP2019165363A JP2019165363A JP2021044696A JP 2021044696 A JP2021044696 A JP 2021044696A JP 2019165363 A JP2019165363 A JP 2019165363A JP 2019165363 A JP2019165363 A JP 2019165363A JP 2021044696 A JP2021044696 A JP 2021044696A
- Authority
- JP
- Japan
- Prior art keywords
- secret
- dictionary
- matrix
- sparse coefficient
- 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.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
K個(K>M)の基底を要素とするM×K行列である秘匿辞書行列D^を格納する秘匿辞書記憶部と、
M次元のベクトルである観測信号yがランダムユニタリ行列QPを用いて秘匿化された秘匿観測信号y^を取得し、前記秘匿辞書記憶部から秘匿辞書行列D^を読み出し、y^=D^xの関係を用いてK次元のベクトルであるスパース係数xを求めるスパース係数算出処理部と、
取得した秘匿観測信号y^及び求めたスパース係数xを用いて、秘匿観測信号y^から秘匿辞書行列D^の基底を求め、前記秘匿辞書記憶部に格納されている秘匿辞書行列D^を更新する秘匿辞書算出部と、
を備える。
秘匿演算装置が、
M次元のベクトルである観測信号yがランダムユニタリ行列QPを用いて秘匿化された秘匿観測信号y^を取得し、K個(K>M)の基底を要素とするM×K行列である秘匿辞書行列D^を格納する秘匿辞書記憶部から秘匿辞書行列D^を読み出し、y^=D^xの関係を用いてK次元のベクトルであるスパース係数xを求め、
取得した秘匿観測信号y^及び求めたスパース係数xを用いて、秘匿観測信号y^から秘匿辞書行列D^の基底を求め、前記秘匿辞書記憶部に格納されている秘匿辞書行列D^を更新する。
1)スパース辞書学習の秘匿演算のシステム構成
スパース辞書学習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を提案する。図1に、本開示に係るシステム構成の一例を示す。本開示に係るシステムは、ローカル処理部10及びエッジ/クラウド処理部20が通信ネットワーク90で接続されている。エッジ/クラウド処理部20は、本開示における秘匿演算装置として機能する。ローカル処理部10はローカル処理装置として機能する。
2)スパース辞書学習の秘匿演算
スパース辞書学習のアルゴリズムとして広く用いられているMOD(Method of Optimal Direction)(例えば、非特許文献3参照。)とK−SVD(K−Singular Value Decomposition)(例えば、非特許文献4参照。)の秘匿演算法を提案する。
[スパース辞書学習の定式化]
M次元の列ベクトルである観測信号yiの集合をY={yi}N i=1とする。このとき、図2に示すように、YがK個の基底の線形結合で表せると仮定する。
(数1)
Y=DX (1)
図3及び図4に、エッジ/クラウド処理部20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の一例を示す。ローカル処理部10は、コンテンツの所有者が使用する装置に備わる。エッジ/クラウド処理部20は、プロバイダが使用する装置に備わる。
本開示のスパース辞書学習の秘匿演算について述べる前に、本開示に関連する観測信号が秘匿されない場合の辞書学習について記述する。一般的に辞書学習は、二つのステップを交互に繰り返すことによって、式(2)の最適化問題を解く。ステップ1ではスパース係数の計算、ステップ2では辞書行列の更新を行う。
(1)ステップ1:スパース係数の計算
ステップ1では辞書行列Dを固定し、式(2)の最適化問題を解く。各入力の観測信号yiに対して、スパース係数xiを求める問題であり、次式のように書き換えることができる。
図7は、OMPの秘匿演算アルゴリズムの一例を示すフロー図である。OMPの秘匿演算方法は、ステップS101〜S106を有する。ステップS102〜S106がメインループである。
k→k+1とし、以下のステップを実行する。
S102では、近似誤差を求める。
ステップ2ではステップ1で求めたスパース係数xiを要素とする行列Xを固定し、辞書行列Dの更新を行う。スパース辞書学習の代表的な手法がMODとK−SVDである。MODとK−SVDともにステップ1は同じ処理で、ステップ2の辞書行列の更新方法が異なる。
K−SVDは、k−means法を一般化したものと位置づけられる。k−means法では各サンプルをクラスタに割り当てるステップと、クラスタの重心を移動させるステップが交互に繰り返される。クラスタ重心は特徴量の空間におけるベクトルであり、そのクラスタに割り当てられたサンプルの平均的な特徴と捉えられるk−means法の拡張である。soft k−means法(又はfuzzy k−means法)では各サンプルを多数のクラスタに割り当てる。これはクラスタ重心の一次結合としてサンプルが表されることを意味し、クラスタ重心を基底に置き換えることで、辞書学習と対応する。
ステップ1では秘匿辞書行列D^を固定し、式(14)の最適化問題を解く。各入力の観測信号y^iに対して、スパース係数xiを求める問題であり、次式のように書き換えることができる。
ステップ2ではステップ1で求めた行列Xを固定し、秘匿辞書行列D^の更新を行う。
本実施形態の秘匿辞書算出処理部32は、秘匿観測信号Y^を用いた秘匿辞書行列D^の推定に際し、秘匿なMODを用いる。具体的には、Y^とD^Xの間の二乗誤差の最小化に疑似逆行列を使用する。
本実施形態の秘匿辞書算出処理部32は、秘匿観測信号Y^を用いた秘匿辞書行列D^の推定に際し、秘匿K−SVDを用いる。秘匿K−SVDでは、D^全体の更新を行う秘匿MODとは異なり、一つの基底dk^に着目し順次更新する。
有効性を検証するために、人工的に生成した秘匿観測信号に対して、スパース係数及び辞書行列の推定を行った。
過完備なランダム辞書行列Dにスパース係数の行列Xを入力して、Y=DXにより観測信号Yを生成した。以下に、具体的な設定条件を示す。:
・観測信号Y∈RMxK:30×4000次元の行列
・辞書行列D∈RMxK:M×K=30×60次元のランダム辞書行列(図9)
・スパース係数の行列X∈RMxK:60×4000次元の行列で非ゼロの係数の個数L=4
1)サポート間距離
本実施形態のスパース係数と辞書行列の推定精度の性能評価のため、観測信号を秘匿しない場合のMODならびにK−SVD法との比較を行った。
1)秘匿しない場合のMODならびにK−SVD
2)本開示に係る秘匿MODならびに秘匿K−SVD
本開示に係るスパース秘匿辞書行列の秘匿演算により、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となる。
11、21:送受信部
12、22:メモリ
13、23:CPU
15:観測信号暗号処理部
16:辞書復号処理部
20:エッジ/クラウド処理部
31:スパース係数算出処理部
32:秘匿辞書算出処理部
33:ポスト処理部
90:通信ネットワーク
Claims (6)
- K個(K>M)の基底を要素とするM×K行列である秘匿辞書行列D^を格納する秘匿辞書記憶部と、
M次元のベクトルである観測信号yがランダムユニタリ行列QPを用いて秘匿化された秘匿観測信号y^を取得し、前記秘匿辞書記憶部から秘匿辞書行列D^を読み出し、y^=D^xの関係を用いてK次元のベクトルであるスパース係数xを求めるスパース係数算出処理部と、
取得した秘匿観測信号y^及び求めたスパース係数xを用いて、秘匿観測信号y^から秘匿辞書行列D^の基底を求め、前記秘匿辞書記憶部に格納されている秘匿辞書行列D^を更新する秘匿辞書算出部と、
を備える秘匿演算装置。 - 前記スパース係数算出処理部は、直交マッチング追跡法を用いてスパース係数xを推定する、
請求項1に記載の秘匿演算装置。 - 前記秘匿辞書算出部は、前記スパース係数算出処理部で求めたスパース係数xを固定し、Y^とD^xの間の二乗誤差を最小化するD^を求めることで、秘匿観測信号y^から秘匿辞書行列D^の基底を求める、
請求項1又は2に記載の秘匿演算装置。 - 前記秘匿辞書算出部は、MOD(Method of Optimal Direction)又はK−SVD(K−Singular Value Decomposition)を用いて、取得した秘匿観測信号y^及び求めたスパース係数xから秘匿辞書行列D^の基底を求める、
請求項1から3のいずれかに記載の秘匿演算装置。 - 秘匿演算装置が、
M次元のベクトルである観測信号yがランダムユニタリ行列QPを用いて秘匿化された秘匿観測信号y^を取得し、K個(K>M)の基底を要素とするM×K行列である秘匿辞書行列D^を格納する秘匿辞書記憶部から秘匿辞書行列D^を読み出し、y^=D^xの関係を用いてK次元のベクトルであるスパース係数xを求め、
取得した秘匿観測信号y^及び求めたスパース係数xを用いて、秘匿観測信号y^から秘匿辞書行列D^の基底を求め、前記秘匿辞書記憶部に格納されている秘匿辞書行列D^を更新する、
秘匿演算方法。 - 請求項1から4のいずれかに記載の秘匿演算装置に備わる各機能部としてコンピュータを実現させるための秘匿演算プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019165363A JP2021044696A (ja) | 2019-09-11 | 2019-09-11 | 秘匿演算装置、秘匿演算方法及び秘匿演算プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019165363A JP2021044696A (ja) | 2019-09-11 | 2019-09-11 | 秘匿演算装置、秘匿演算方法及び秘匿演算プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021044696A true JP2021044696A (ja) | 2021-03-18 |
Family
ID=74862606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019165363A Pending JP2021044696A (ja) | 2019-09-11 | 2019-09-11 | 秘匿演算装置、秘匿演算方法及び秘匿演算プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021044696A (ja) |
-
2019
- 2019-09-11 JP JP2019165363A patent/JP2021044696A/ja active Pending
Non-Patent Citations (3)
Title |
---|
TAKAYUKI NAKACHI ET AL.: "Secure Dictionary Learning for Sparse Representation", 2019 27TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO), JPN6022032845, 2 September 2019 (2019-09-02), US, ISSN: 0004845223 * |
仲地 孝之 ほか: "秘匿OMP演算を用いた暗号化画像のクラス分類", 電子情報通信学会技術研究報告, vol. 118, no. 449, JPN6022032846, 12 February 2019 (2019-02-12), JP, pages 227 - 232, ISSN: 0004845225 * |
日野 英逸 ほか: "スパース表現の数理とその応用", 情報処理学会研究報告 2012 OCTOBER[CD−ROM], vol. Vol.2012-CVIM-183 No.20, JPN6018014849, 15 October 2012 (2012-10-15), pages 1 - 10, ISSN: 0004845224 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | A survey on nonconvex regularization-based sparse and low-rank recovery in signal processing, statistics, and machine learning | |
He et al. | A splitting method for separable convex programming | |
Andrews et al. | Picture processing and digital filtering | |
Ravishankar et al. | Data-driven learning of a union of sparsifying transforms model for blind compressed sensing | |
Naderahmadian et al. | Correlation based online dictionary learning algorithm | |
Thakkar et al. | Performance comparison of recent optimization algorithm Jaya with particle swarm optimization for digital image watermarking in complex wavelet domain | |
Jindal et al. | Image and video processing using discrete fractional transforms | |
CN115130571A (zh) | 特征编码及解码方法、装置、电子设备及存储介质 | |
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 | |
Liu et al. | Deep nonparametric estimation of operators between infinite dimensional spaces | |
Aïssa-El-Bey et al. | Sparse and smooth canonical correlation analysis through rank-1 matrix approximation | |
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 | |
CN107133921B (zh) | 基于多层次邻域嵌入的图像超分辨率重建方法及系统 | |
US20050105817A1 (en) | Inter and intra band prediction of singularity coefficients using estimates based on nonlinear approximants | |
Wang et al. | DUK-SVD: dynamic dictionary updating for sparse representation of a long-time remote sensing image sequence | |
Ross et al. | Conformal embedding flows: Tractable density estimation on learned manifolds | |
Zeng et al. | Slice-based online convolutional dictionary learning | |
Du et al. | Compressed Sensing and Dictionary Learning | |
Das et al. | An enhanced block-based Compressed Sensing technique using orthogonal matching pursuit | |
Amato et al. | Penalized wavelet estimation and robust denoising for irregular spaced data | |
Kong et al. | Construction of a class of logistic chaotic measurement matrices for compressed sensing | |
Guleryuz et al. | Optimized nonorthogonal transforms for image compression | |
Abry et al. | Wavelet eigenvalue regression in high dimensions | |
Wang et al. | Low storage space for compressive sensing: semi-tensor product approach | |
Zhang et al. | Mutual information-based context template modeling for bitplane coding in remote sensing image compression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190927 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20190927 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210916 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220729 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220809 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230214 |