JP5579327B2 - 隠れマルコフモデルに基づくプライバシー保護確率的推論 - Google Patents
隠れマルコフモデルに基づくプライバシー保護確率的推論 Download PDFInfo
- Publication number
- JP5579327B2 JP5579327B2 JP2013527401A JP2013527401A JP5579327B2 JP 5579327 B2 JP5579327 B2 JP 5579327B2 JP 2013527401 A JP2013527401 A JP 2013527401A JP 2013527401 A JP2013527401 A JP 2013527401A JP 5579327 B2 JP5579327 B2 JP 5579327B2
- Authority
- JP
- Japan
- Prior art keywords
- encrypted
- probability
- hmm
- server
- observation
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 claims description 149
- 239000013598 vector Substances 0.000 claims description 50
- 239000000654 additive Substances 0.000 claims description 48
- 230000000996 additive effect Effects 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000007704 transition Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 description 29
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 206010000210 abortion Diseases 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
- G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
- G10L15/142—Hidden Markov Models [HMMs]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
- H04L2209/46—Secure multiparty computation, e.g. millionaire problem
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
Description
HMMはマルコフ連鎖の一般化であり、HMMの状態が直接は不明であるが、解析可能な出力を生成する。それらの出力は「観測値」とも呼ばれる。観測値はHMMの隠れ状態によって決まるので、観測値は隠れ状態についての情報を明らかにすることができる。
時刻tにおいて状態Sjにある観測値系列の結合確率は以下の通りである。
1.α1(j)=πjbj(x1)、1≦j≦Nを初期化する
2.状態Sj、1≦j≦Nごとに、かつ全ての観測値t、1≦t≦T−1の場合に、以下の式に従って、観測値系列の尤度を計算する。
3.
5.
後向き確率は以下の式に従って定義される。
6.
7.βT(j)=1、1≦j≦Nを初期化する
8.1≦i≦Nごとに、かつ全ての1≦t≦T−1の場合に、以下の式を求める。
9.
11.
時刻tにおいて状態Sjで終了する、観測値系列のための最も確からしい状態系列の確率は以下の式に従って求められる。
12.全ての1≦j≦Nの場合に、δ1(j)=πjbj(x1)に従って最も確からしい状態系列を初期化し、確からしい状態のインデックスの行列をφ1(j)=0として初期化する。
13.全ての1≦j≦Nの場合に、かつ1≦t≦T−1ごとに、以下の式に従って、次の時刻t+1の場合に状態Sjにおいて終了する最も確からしい状態系列の確率、及びインデックスの行列を求める。
バウム−ウェルチアルゴリズムは、前向き−後向きアルゴリズムとしても知られており、所与の観測値系列x1,x2,…,xTの場合に最適なHMMパラメーターを推定し、全ての隠れマルコフモデルにわたる観測値の確率を最大化する、すなわち、maxλPr{x1,x2,…,xT|λ}を求める。
HMMλ=(A,B,Π)をランダムに初期化する
以下の式に従って状態の初期確率に基づいて初期状態確率ベクトルを求める。
図1は、この発明の幾つかの実施の形態を利用するシステム100を示す。クライアント110が観測値系列115を記憶する。サーバー120が隠れマルコフモデル(HMM)125を記憶する。また、クライアントは加法準同型性暗号システムのための解読鍵150及び暗号鍵140も記憶する。サーバーは暗号鍵140のみを有する。
任意の2つのメッセージm1、m2及び加法準同型性暗号化関数ξ(・)の場合、加法準同型性は、ξ(m1+m2)=ξ(m1)ξ(m2)を確実にする。この性質のため、幾つかの演算は暗号化されたメッセージ(暗号文)において直接実行することができ、それにより、根底を成す暗号化されていないメッセージ(平文)における幾つかの操作を可能にする。この発明の実施の形態は、任意の加法準同型性暗号システムを用いることができる。例えば、1つの実施の形態は、以下に説明されるパイエ(Paillier)暗号を使用する。
この発明の幾つかの実施の形態は、1−of−n紛失通信(OT)を用いる。
この発明の種々の実施の形態は、以下に説明されるH−方法160の少なくとも1つ又は組み合わせを使用する。全てのH−方法において、クライアントは加法準同型性暗号システムの解読鍵及び暗号鍵、例えば、パイエ暗号化関数ξ(・)のための鍵対を有する。サーバーは暗号鍵のみを有する。H−方法は、加法準同型の少なくとも1つの性質を用いるH−SMCに基づく。この説明を明確にするために、対数を含む全ての計算において、対数の底は
図2は、H−対数法200の流れ図を示す。その方法への入力は、サーバーにおいて記憶される暗号化された変数ξ(θ)205である。出力において、サーバーは暗号化された変数θの対数を暗号化したものξ(logθ)235を求める。クライアントは変数θについての情報を入手しない。
図3は、H−指数法300の流れ図を示す。その方法への入力は、サーバーにおいて記憶される暗号化された対数ξ(logθ)305である。出力において、サーバーは変数を暗号化したものξ(θ)335を求め、クライアントは変数θについての情報を入手しない。
図4は、H−対数総和法400の流れ図を示す。その方法への入力は、サーバーにおいて記憶される1組の暗号化された対数(ξ(logθ1),ξ(logθ2),…,ξ(logθn))405及び定数ベクトル(a1,a2,…,an)406である。出力において、サーバーは、対数総和を暗号化したものξ(logΣn i=1aiθi)435を求め、クライアントは変数θi及びaiについての情報を特定しない。
図5は、H−比較法500の流れ図を示す。その方法への入力は、サーバーにおいて記憶される少なくとも2つの暗号化された変数、例えば、第1の変数を暗号化したものξ(θ1)505及び第2の変数を暗号化したものξ(θ2)506である。出力において、サーバーはθ1≦θ2535であるか否かを判断し、クライアントは変数θ1及びθ2についての情報を特定しない。
図6は、H−総和分割法600の流れ図を示す。その方法への入力は、クライアントにおいて記憶される一連の要素x1,x2,…,xTである。各要素xtはアルファベットV={v1,v2,…,vM}から選択される。また、その方法への入力は、サーバーにおいて記憶される一連の変数を暗号化したものξ(y1),ξ(y2),…,ξ(yT)605である。サーバー及びクライアントは共通の要素v∈Vを有する。出力において、サーバーは、サーバーが一連の要素について何も特定せず、かつクライアントが一連の暗号化されたものについて何も特定しないように、総和を暗号化したもの
図7Aは、この発明の幾つかの実施の形態によるH−前向き法700の流れ図を示す。方法700は、サーバー、例えば、サーバー120において記憶されるHMMに対する、クライアント、例えば、クライアント110において記憶される観測値系列の確率を数値計算するのに適している。それらの実施の形態によれば、クライアントは加法準同型性暗号システムの解読鍵及び暗号鍵を有し、サーバーは暗号鍵のみを有する。
この発明の幾つかの実施の形態は、プライバシー保護キーワード認識のためにH−前向き法を用いる。これらの実施の形態では、観測値系列は、サンプリングされた音声信号を含む。通常、クライアントは音声信号をT個のフレームに変換し、各フレームはメル周波数ケプストラム係数(MFCC)のd次元ベクトルによって表され、例えば、d=39である。音声信号からのMFCCの導出は既知である。したがって、クライアントはxt、t=1,2,…,Tを格納する。ただし、各xt∈Rdである。
図8Aは、この発明の幾つかの実施の形態による、観測値系列の確率を求めるためのH−後向き法800の流れ図を示す。サーバーは、観測値系列の現在の要素の後向き確率を暗号化したもの805に基づいて、H−指数法を用いて、以下の式に従って、観測値系列の暗号化された後向き確率815を求める(810)。
図9Aは、この発明の幾つかの実施の形態によるH−ビタビ法900のブロック図を示す。方法900は、クライアントにおいて記憶される観測値系列に対応する最も起こり得る一連の状態を求めるのに適しており、その一連の状態はサーバーにおいて記憶されるHMMに対して求められる。クライアントは、加法準同型性暗号システムの解読鍵150及び暗号鍵140を有し、サーバーは暗号鍵140のみを有する。
図10Aは、クライアントにおいて記憶される観測値系列に基づいてサーバーにおいて記憶される隠れマルコフモデル(HMM)のパラメーターを求めるためのH−バウム−ウェルチ法1000のブロック図を示す。クライアントは、加法準同型性暗号システムの解読鍵150及び暗号鍵140を有し、サーバーは暗号鍵140のみを有する。
H−前向き法を実施する1つの実施の形態の擬似コード
入力:クライアントが観測値系列x1,x2,…,xTを記憶する。サーバーがHMMλ=(A,B,Π)を記憶する。
出力:ボブがξ(logPr{x1,x2,…,xT|λ)}を求める。
1.t=1,2,…,T及びj=1,2,…,Nごとに、サーバーがγtjをランダムに選択し、列ベクトルlogbj+γtjを生成する。
2.観測値xtに基づいて、クライアントが1−of−M OTを用いて、logbj(xt)+γtjを求める。
3.クライアントがξ(logbj(xt)+γtj)をサーバーに送信する。
4.γtj及び準同型性を用いて、j=1,2,…,N及びt=1,2,…,Tの場合に、サーバーがξ(logbj(xt)+γtj)・ξ(−γtj)=ξ(logbj(xt))を求める。
5.サーバーが、j=1,2,…,Nの場合に、ξ(logα1(j))=ξ(logπi)・ξ(logbj(x1))を求める。
6.帰納ステップ:j=1,2,…,Nの場合に、入力ξ(logαt(j))、j=1,2,…,N及び遷移行列A=(aij)を用いて、サーバー及びクライアントがH−対数総和法を実行し、その終了時に、サーバーがξ(logΣl=1 Nαt(l)alj)を求める。
7.全ての1≦t≦T−1の場合に、サーバーが以下の式を求める。
H−後向き法を実施する1つの実施の形態の擬似コード
1.j=1,2,…,N及びt=1,2,…,Tの場合に、サーバーがξ(logbj(xt))を求める。
2.暗号化したものξ(logβt+1(j))が与えられた場合に、サーバーが以下の式を求める。
4.H−対数法を用いて、サーバーがξ(logβ1(i))、i=1,2,…,Nを有するまで、サーバーが暗号化したものξ(logβt(i))を求める。
5.準同型性及びH−指数法を用いて、サーバーがξ(πjβ1(j)bj(x1))及び
6.H−対数法を用いて、サーバーがξ(logP(x1,x2,…,xT|λ))を求める。
H−ビタビ法を実施する1つの実施の形態の擬似コード
入力:クライアントが観測値系列x1,x2,…,xTを記憶する。サーバーがHMMλ=(A,B,Π)を記憶する。
出力:クライアントが最も確からしい状態系列
1.t=1,2,…,T及びj=1,2,…,Nごとに、サーバーがγtjを選択し、列ベクトルlogbj+γtjを生成し、列ベクトルをクライアントに送信する。
2.1−of−M OTを用いて、クライアントがlogbj(xt)+γtjを求める。
3.クライアントがξ(logbj(xt)+γtj)をサーバーに送信する。
4.j=1,2,…,N、t=1,2,…,Tの場合に、γtj及び準同型性を用いて、サーバーがξ(logbj(xt)+γtj)・ξ(−γtj)=ξ(logbj(xt))を求める。
5.サーバーが、j=1,2,…,Nの場合に、ξ(logδ1(j))=ξ(logπj)・ξ(logbj(x1))を求める。
6.反復:全てのi,j=1,2,…,N及びtの場合に、サーバーがξ(logδt(i)+logaij)=ξ(logδt(i))・ξ(logaij)求める。
対(t,j)ごとに、サーバー及びクライアントが入力{ξ(logδt(i)+logaij):i=1,2,…,N}
を用いて安全な最大値発見プロトコルを実行し、その後、サーバーが最大値を暗号化したものξ(maxi[logδt(i)+logaij])及びξ(logδt+1(j))=ξ(maxi[logδt(i)+logaij])・ξ(logbj(xt))を求める。
7.サーバーがインデックスφt+1(j)を送信する。
8.反復の最後に、クライアントが最後のインデックス行列[φt(j)]tjを受信するので、クライアントは後向きに追跡し、状態系列を求めることができる。
H−バウム−ウェルチ法を実施する1つの実施の形態の擬似コード
入力:クライアントが観測値系列x1,…,xT並びに暗号鍵及び解読鍵を記憶する。サーバーが暗号鍵のみを記憶する。
出力:サーバーがHMMパラメーターを求め、観測値系列については何も発見しない。クライアントはパラメーターについての情報を特定しない。
1.サーバーがHMMパラメーターλ=(A,B,Π)を初期化する。
2.入力x1,…,xT及びλによるH−前向き法及びH−後向き法を用いて、サーバーがξ(logαt(i))、ξ(logβt+1(j))、ξ(logbj(xt+1))及びξ(−logPr{x1,…,xT|λ})を求める。
3.式(16)からサーバーがξ(logζt(i,j))を求める。
4.H−指数法を用いて、暗号化関数ξの準同型性を用いて、サーバーがξ(ζt(i,j))及びξ(γt(i))=Πj=1 Nξ(ζt(i,j))を求める。
5.サーバーがθiをランダムに選択し、暗号化したものξ(θi+γ1(i))をクライアントに送信する。クライアントは解読し、サーバーにθi+γ1(i)を送信し、サーバーが
6.サーバーが暗号化したものξ(Σt=1 T−1ζt(i,j))=Πj=1 T−1ξ(ζt(i,j))及びξ(Σt=1 T−1γt(i))=Πj=1 T−1ξ(γt(i)))
を求める。H−対数法を用いて、サーバーがξ(logΣt=1 T−1ζt(i,j))、ξ(logΣt=1 T−1γt(i))及び暗号化したもの
7.入力系列x1,…,xT、暗号化したものξ(γt(i))、t=1,2,…,T及び共通の要素vkによるH−総和分割法を用いて、サーバーが、式(13)に従って、暗号化したもの
8.入力として観測値系列及び
9.H−比較法を用いて、差
Claims (12)
- クライアントにおいて記憶される観測値系列に基づいてサーバーにおいて記憶される隠れマルコフモデル(HMM)のパラメーターを求めるための方法であって、前記クライアントは加法準同型性暗号システムの解読鍵及び暗号鍵を有し、前記サーバーは前記暗号鍵のみを有し、該方法は、
前記HMMのパラメーターを初期化するステップと、
H−SMCを用いて、前記HMMの前記パラメーターに対する前記観測値系列の確率を暗号化したものを求めるステップであって、該H−SMCは、加法準同型の少なくとも1つの性質を用いる、前記サーバーと前記クライアントとの間のセキュアマルチパーティ計算(SMC)を含むものと、
前記HMMの状態ごとに、前記SMCを用いて、前記HMMの前記パラメーターに対する前記観測値系列の暗号化された前向き確率を求めるステップと、
前記HMMの状態ごとに、前記H−SMCを用いて、前記観測値系列の暗号化された後向き確率を求めるステップと、
前記HMMの前記パラメーターを与えられた場合に、前記観測値系列の要素ごとに、状態の各対の暗号化された条件付き結合確率を求め、1組の暗号化された条件付き結合確率を生成するステップであって、前記観測値系列の対数確率を暗号化したもの、前記暗号化された前向き確率、及び前記暗号化された後向き確率に基づき求められ、加法準同型の少なくとも1つの性質を用いて、暗号化されたドメインにおいて実行されるものと、
入力として前記1組の暗号化された条件付き結合確率を有する前記H−SMCを用いて、前記HMMの前記パラメーターを更新するステップと、
を含み、
該方法の前記各ステップは前記サーバーによって実行される、クライアントにおいて記憶される観測値系列に基づいてサーバーにおいて記憶される隠れマルコフモデルのパラメーターを求めるための方法。 - 前記観測値系列の前記確率を暗号化したものを求めることと、前記暗号化された前向き確率を求めることと、前記暗号化された後向き確率を求めることと、前記暗号化された条件付き結合確率を求めることと、前記パラメーターを前記更新することとを、現在の反復の前記観測値系列の前記確率と先行する反復の前記観測値系列の前記確率との間の差がしきい値を超えるまで反復的に繰り返すことを更に含む、請求項1に記載の方法。
- 前記初期化することは、前記HMMの前記パラメーターをランダムに生成することを含む、請求項1に記載の方法。
- H−前向き法を用いて、暗号化された対数前向き確率ξ(logαt(i))、前記対数確率を暗号化したものξ(−logPr{x1,…,xT|λ})及び前記観測値系列の要素xt+1の対数確率ξ(logbj(xt+1))を求めることであって、ここで、ξ(・)は前記加法準同型性暗号システムの暗号化関数であり、logαt(i)は、現在の要素xtまでの状態Siにおける前記観測値系列の前記前向き確率の対数であり、logPr{x1,…,xT|λ}はパラメーターλ={A,B,Π}に対する前記観測値系列xt、t=1,2,…,Tの確率の対数であり、A=(aij)は状態遷移行列であり、aijは状態Siから状態Sjへの遷移確率であり、1≦i、j≦Nであり、Nは前記HMMの状態の数であり、B=(b1,b2,…,bN)は観測値の確率の行列であり、bjは前記観測値系列のアルファベットにわたる確率の行列の列ベクトルであり、j=1,2,…,Nであり、Π={π1,π2,…,πN}は前記HMMの初期状態確率ベクトルであるものと、
H−後向き法を用いて、前記暗号化された後向き確率ξ(logβt+1(j))を求めることと、
H−指数法を用いて、前記暗号化された条件付き結合確率を求めることと、
を更に含む請求項1に記載の方法。 - 変更ベクトルを求めることと、
前記HMMの状態ごとに、暗号化されたドメインにおいて前記変更ベクトルを用いて変更された状態の初期確率を暗号化したものを前記クライアントに送信することと、
前記HMMの状態ごとに、暗号化されていないドメインにおいて前記変更ベクトルを用いて変更された前記状態の初期確率を受信することと、
前記変更ベクトルを除去することであって、前記暗号化されていないドメインにおいて前記初期確率を生成するものと、
を更に含む、請求項5に記載の方法。 -
H−対数法を用いて、前記条件付き確率の前記総和の対数を暗号化したものξ(log(Σt=1 T−1ζt(i,j)))を求めることと、
前記H−対数法を用いて、前記全条件付き確率の前記総和の対数を暗号化したものξ(log(Σt=1 T−1γt(i)))を求めることと、
前記HMMの状態の対ごとに、前記遷移確率の対数を暗号化したものに基づいて前記SMCを用いて、更新済み遷移確率
を更に含む請求項5に記載の方法。 - 前記差が前記しきい値以下であるときに、前記HMMの前記パラメーターを最終的なパラメーターとして選択することを更に含む、請求項2に記載の方法。
- クライアントにおいて記憶される観測値系列に基づいて隠れマルコフモデル(HMM)のパラメーターを求めるためのサーバーであって、前記クライアントは加法準同型性暗号システムの解読鍵及び暗号鍵を有し、該サーバーは前記暗号鍵のみを有し、該サーバーは、
前記HMMのパラメーターを初期化し、
現在の反復の前記観測値系列の確率と先行する反復の前記観測値系列の確率との間の差がしきい値を超えるまで、前記パラメーターを反復的に更新する、
ために構成されるプロセッサを備え、
反復する度に、前記パラメーターは、前記観測値系列及び前記HMMの前記パラメーターが与えられた場合に、状態の各対の暗号化された条件付き結合確率に基づいて更新され、該暗号化された条件付き確率は、H−SMCを用いて暗号化されたドメインにおいて求められ、前記H−SMCは、加法準同型の少なくとも1つの性質を用いる該サーバーと前記クライアントとの間のセキュアマルチパーティ計算(SMC)を含み、
前記プロセッサは、
H−SMCを用いて前記HMMの前記パラメーターに対する前記先行する反復の前記観測値系列の確率を暗号化したものを求め、前記該H−SMCは、加法準同型の少なくとも1つの性質を用いる前記サーバーと前記クライアントとの間のセキュアマルチパーティ計算(SMC)を含み、
前記HMMの状態ごとに、前記SMCを用いて前記HMMの前記パラメーターに対する前記観測値系列の暗号化された前向き確率を求め、
前記HMMの状態ごとに、前記H−SMCを用いて前記観測値系列の暗号化された後向き確率を求め、
前記観測値系列の要素ごとに、前記HMMの前記パラメーターを与えられた場合に、状態の各対の暗号化された条件付き結合確率を求め、1組の暗号化された条件付き結合確率を生成し、前記観測値系列の対数確率を暗号化したもの、前記暗号化された前向き確率及び前記暗号化された後向き確率に基づき求められ、
入力として前記1組の暗号化された条件付き結合確率を有する前記H−SMCを用いて、前記HMMの前記パラメーターを更新し、
H−SMCを用いて前記HMMの更新済みパラメーターに対する現在の反復の前記観測値系列の確率を暗号化したものを求め、
前記H−SMCを用いて、前記現在の反復の前記観測値系列の前記暗号化された確率と、前記先行する反復の前記観測値系列の前記暗号化された確率との間の差を求める、
ために構成される、クライアントにおいて記憶される観測値系列に基づいて隠れマルコフモデル(HMM)のパラメーターを求めるためのサーバー。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/076,418 US8433893B2 (en) | 2011-03-30 | 2011-03-30 | Privacy-preserving probabilistic inference based on hidden markov models |
US13/076,418 | 2011-03-30 | ||
US13/076,424 US8402263B2 (en) | 2011-03-31 | 2011-03-31 | Privacy-preserving probabilistic inference based on hidden Markov models |
US13/076,424 | 2011-03-31 | ||
PCT/JP2012/058278 WO2012133601A1 (en) | 2011-03-30 | 2012-03-21 | Privacy-preserving probabilistic inference based on hidden markov models |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014503833A JP2014503833A (ja) | 2014-02-13 |
JP5579327B2 true JP5579327B2 (ja) | 2014-08-27 |
Family
ID=45953192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013527401A Expired - Fee Related JP5579327B2 (ja) | 2011-03-30 | 2012-03-21 | 隠れマルコフモデルに基づくプライバシー保護確率的推論 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP5579327B2 (ja) |
WO (1) | WO2012133601A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI743264B (zh) | 2016-12-08 | 2021-10-21 | 德商贏創運營有限公司 | 富含烯烴之烴混合物的脫氫 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019102624A1 (ja) | 2017-11-27 | 2019-05-31 | 三菱電機株式会社 | 準同型推論装置、準同型推論方法、準同型推論プログラム及び秘匿情報処理システム |
CN113179159B (zh) * | 2021-04-13 | 2022-03-11 | 广州锦行网络科技有限公司 | 一种数据加密传输方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7937270B2 (en) * | 2007-01-16 | 2011-05-03 | Mitsubishi Electric Research Laboratories, Inc. | System and method for recognizing speech securely using a secure multi-party computation protocol |
US8903090B2 (en) * | 2008-04-29 | 2014-12-02 | International Business Machines Corporation | Securely classifying data |
US8433892B2 (en) * | 2011-03-30 | 2013-04-30 | Mitsubishi Electric Research Laboratories, Inc. | Privacy-preserving probabilistic inference based on hidden Markov models |
-
2012
- 2012-03-21 WO PCT/JP2012/058278 patent/WO2012133601A1/en active Application Filing
- 2012-03-21 JP JP2013527401A patent/JP5579327B2/ja not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI743264B (zh) | 2016-12-08 | 2021-10-21 | 德商贏創運營有限公司 | 富含烯烴之烴混合物的脫氫 |
Also Published As
Publication number | Publication date |
---|---|
WO2012133601A1 (en) | 2012-10-04 |
JP2014503833A (ja) | 2014-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2014504741A (ja) | サーバーにおいて記憶された隠れマルコフモデル(hmm)に対するクライアントにおいて記憶された観測値系列の確率を評価するための方法及びサーバー | |
US11586743B2 (en) | Secure data processing | |
Bost et al. | Machine learning classification over encrypted data | |
JP5300983B2 (ja) | データ処理装置 | |
US8625782B2 (en) | Method for privacy-preserving computation of edit distance of symbol sequences | |
US8433893B2 (en) | Privacy-preserving probabilistic inference based on hidden markov models | |
JP2016512611A (ja) | プライバシー保護リッジ回帰 | |
JPWO2015155896A1 (ja) | サポートベクトルマシン学習システムおよびサポートベクトルマシン学習方法 | |
JP2016080766A (ja) | 暗号処理方法、暗号処理装置、及び暗号処理プログラム | |
JP5762232B2 (ja) | プライバシを保護したまま暗号化された要素の順序を選択するための方法およびシステム | |
Togan et al. | Comparison-based computations over fully homomorphic encrypted data | |
CN116756602A (zh) | 用于隐私保护无监督学习的系统和方法 | |
US20180302220A1 (en) | User attribute matching method and terminal | |
CN112769542A (zh) | 基于椭圆曲线的乘法三元组生成方法、装置、设备及介质 | |
JP5579327B2 (ja) | 隠れマルコフモデルに基づくプライバシー保護確率的推論 | |
Zhang et al. | A secure and privacy-preserving word vector training scheme based on functional encryption with inner-product predicates | |
US8402263B2 (en) | Privacy-preserving probabilistic inference based on hidden Markov models | |
JP2023179681A (ja) | 同型暗号文に対する非多項式演算を行う方法 | |
Chakraborti et al. | {Distance-Aware} Private Set Intersection | |
Yoo et al. | t‐BMPNet: Trainable Bitwise Multilayer Perceptron Neural Network over Fully Homomorphic Encryption Scheme | |
Joye et al. | PINFER: Privacy-Preserving Inference for Machine Learning | |
CN112307499B (zh) | 一种云计算中加密数据频繁项集的挖掘方法 | |
US20220094532A1 (en) | Methods and systems for homomorphic data representation and concealment powered by clifford geometric algebra | |
Gallego Estévez | Quantum and post-quantum key combination in a financial environment | |
Marmebro et al. | Investigation of Post-Quantum Cryptography (FIPS 203 & 204) Compared to Legacy Cryptosystems, and Implementation in Large Corporations. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140528 |
|
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: 20140610 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140708 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5579327 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |