JP6921233B2 - 秘密分散を使用したロジスティック回帰モデリング方式 - Google Patents
秘密分散を使用したロジスティック回帰モデリング方式 Download PDFInfo
- Publication number
- JP6921233B2 JP6921233B2 JP2019559292A JP2019559292A JP6921233B2 JP 6921233 B2 JP6921233 B2 JP 6921233B2 JP 2019559292 A JP2019559292 A JP 2019559292A JP 2019559292 A JP2019559292 A JP 2019559292A JP 6921233 B2 JP6921233 B2 JP 6921233B2
- Authority
- JP
- Japan
- Prior art keywords
- scn
- slrm
- data
- sample
- share
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
- H04L9/085—Secret sharing or secret splitting, e.g. threshold schemes
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Storage Device Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
θL=<θL>0+<θL>1
式3
θR=<θR>0+<θR>1
式4
ここで、<>は、シェアを表し、[i]は、ベクトルのi番目の要素を表す(すなわち、θ[i]=<θ[i]>0+<θ[i]>1)。したがって、SCN P0で生成されたランダム列ベクトルは、次の式で表すことができる。
<θ>0=(<θ[1]>0,<θ[2]>0,<θ[3]>0,…<θ[k]>0) 式5
<θL>0=(<θL[1]>0,<θL[2]>0,<θL[3]>0,…<θL[k0]>0) 式6
<θR>0=(<θR[1]>0,<θR[2]>0,<θR[3]>0,…<θR[k1]>0) 式7
式中、<θ>0=<θL>0||<θR>0であり、||は、接続関係を表す。
=(<θ[1]>1,<θ[2]>1,<θ[3]>1,…<θ[k]>1)
式8
<θL>1=(<θL[1]>1,<θL[2]>1,<θL[3]>1,…<θL[k0]>1) 式9
<θR>1=(<θR[1]>1,<θR[2]>1,<θR[3]>1,…<θR[k1]>1) 式10
式中、<θ>1=<θL>1||<θR>1であり、||は、接続関係を表す。
A=Xθ=XLθL+XRθR
式11
式中、Aは、ミニバッチサンプルベクトルXにパラメータθの列ベクトルを掛けたものを使用して計算される。
z0+z1=u*v=u*(v0+v1)
式12
c0=u*f+e*b0+z0 式13
式中、f=b-vである。
c1=e*b1+z1 式14
式中、c0およびc1の各々は、XLθLのシェアである。
XLθL=c0+c1 式15
c0+c1=u*f+e*b+u*v 式16
c0+c1=u*b-u*v+a*b-u*b+u*v 式17
XRθR=c0+c1 式18
E=g(A)-Yi
式19
式中、Aは、ステップ1で説明した式(11)と同じ値である。gは、シグモイド関数のフィッティング関数であり、多項式関数フィッティングとすることができる。すなわち、g()は、多項式関数であり、その最高次数はdである。本明細書で示されている例では、d=7を設定し、g(x)は、次の式で表すことができる。
g(x)=0.5+1.73496*(x/8)-4.19407*+(x/8)3 5.43402*(x/8)5-2.50739*(x/8)7 式20
式中、g(A)は、g(A[1]), g(A[2]), ...g(A[m])で構成される列ベクトルを表す。
g(p+q)=h0(q)+h1(q)p+h2(q)p2+…+hd(q)pd
式21
式中、h0, h1,…hdの各々は、qの多項式関数であり、SCN P1によって計算することができ、p, p2, p3...pdは、SCN P0によって計算することができる。
z0+z1=u*v 式22
c0=u*f+z0 式23
c1=e*b+z1 式24
(a・b)=c0+c1 式25
c0+c1=u*f+e*b+u*v 式26
c0+c1=u*b-u*v+a*b-u*b+u*v 式27
XTE=(XL)TE||(XR)TE 式29
c0=-e*f+a0*f+eb0+z0 式30
式中、f=b-vである。
c1=a1*f+eb1+z1 式31
式中、c0およびc1の各々は、DTDのシェアである。
DTD=c0+c1 式32
c0+c1=e*f+a*f+e*b+u*v 式33
c0+c1=u*f+a*b-u*b+u*v 式34
c0+c1=u*b-u*v+a*b-u*b+u*v 式35
A=Xθ=XLθL+XRθR
E=g(A)-Yi
式中、gは、シグモイド関数のフィッティング関数であり、多項式関数フィッティングとすることができる。いくつかの実装形態では、次数またはg(x)が7の場合、g(x)は次の式で表すことができる。
g(x)=0.5+1.73496*(x/8)-4.19407*+(x/8)3 5.43402*(x/8)5 -2.50739*(x/8)7
式中、g(A)は、g(A[1]), g(A[2]), ... g(A[m])で構成される列ベクトルを表す。708の後、プロセス700は710に進む。
710の後、プロセス700は712に進む。
102 ユーザ
104 セキュリティ管理エージェント
106 ノード管理エージェント
108 乱数プロバイダ
110 ネットワーク
112 セキュアな計算ノード(SCN)SCN A
114 SCN B
200a サブプロセス
200b サブプロセス
300 サブプロセス
400a サブプロセス
400b サブプロセス
500 プロセス
600 プロセス
600a プロセス
600b プロセス
700 プロセス
800 プロセス
900 装置
902 分割器または分割ユニット
904 アップデータまたは更新ユニット
906 出力器または出力ユニット
Claims (17)
- マルチパーティのセキュアなロジスティック回帰モデルをトレーニングするためのコンピュータ実装方法であって、
秘密分散(SS)を使用して、セキュアなロジスティック回帰モデル(SLRM)のサンプルトレーニングデータを複数のシェアに分割するステップであり、各シェアが、セキュアな計算ノード(SCN)に配布される、ステップと、
前記サンプルトレーニングデータの各シェアを使用して、前記SLRMに関連付けられたパラメータを反復して更新するステップであり、反復して更新するステップが、あらかじめ定められた条件が出現するまで続く、ステップと、
前記SLRMに関連付けられた前記パラメータを反復して更新した後、各SCNによって使用するように構成されたトレーニング結果を出力するステップと
を含み、
前記SLRMに関連付けられたパラメータを反復して更新するステップが、
乱数を使用して各SCNによって提供される元のデータを暗号化するステップと、
前記SCN間の前記暗号化されたデータを交換するステップと
を含む、
コンピュータ実装方法。 - 前記SLRMの目的関数が、ミニバッチ確率勾配降下(SGD)法を使用して最適化されるロジスティック回帰関数であり、前記ロジスティック回帰関数が、次のように表され、
αおよびλは、機械学習ネットワーク構造を決定するハイパーパラメータであり、
mは前記ミニバッチSGDのサンプルサイズを表し、
Xによって示される行列はm*kサンプル行列を表し、
前記行列Xの各行はサンプルを表し、
Xiは前記行列Xのi番目の行を表し、
[j]はベクトルXiのj番目の要素を表し、
XLはSCNに属するサンプルデータのシェアを表し、
XRはSCNに属するサンプルデータのもう1つのシェアを表し、
列ベクトルθはパラメータ列ベクトルを表し、前記列ベクトルθが、θLおよびθRに垂直に分割され得る
請求項1に記載のコンピュータ実装方法。 - 前記SLRMに関連付けられたパラメータを反復して更新することが、イベント駆動モデルに従って実行される、請求項1に記載のコンピュータ実装方法。
- 前記SLRMに関連付けられたパラメータを反復して更新するステップが、
SCNごとに、列ベクトルを表すAの値を計算するステップであり、前記計算は、
A=Xθ=XLθL+XRθR
に基づいて実行され、式中、
XLθLおよびXRθRは各々、SCNのAのシェアを表す、
ステップと、
E=g(A)-Y i
に基づいて、予測誤差の列ベクトルを決定するステップであり、
式中、
gは、多項式関数フィッティングとすることができるシグモイド関数のフィッティング関数である、
ステップと、
次の式に基づいて更新された列ベクトルを決定するステップであり、
αおよびλは、機械学習ネットワーク構造を決定するハイパーパラメータであり、
XTE=(XL)TE||(XR)TE
である、ステップと
を含む請求項1に記載のコンピュータ実装方法。 - 前記乱数の各々が、数字、ベクトル、または行列のうちの少なくとも1つである、請求項1に記載のコンピュータ実装方法。
- 前記あらかじめ定められた条件が、あらかじめ定められたしきい値未満の2つの連続した反復結果間の差異の出現である、請求項5に記載のコンピュータ実装方法。
- 1つまたは複数のコンピュータに結合され、命令を記憶した非一時的コンピュータ可読記憶媒体であって、前記命令が、
秘密分散(SS)を使用して、セキュアなロジスティック回帰モデル(SLRM)のサンプルトレーニングデータを複数のシェアに分割し、各シェアが、セキュアな計算ノード(SCN)に配布され、
前記サンプルトレーニングデータの各シェアを使用して、前記SLRMに関連付けられたパラメータを反復して更新し、反復して更新することが、あらかじめ定められた条件が出現するまで続き、
前記SLRMに関連付けられた前記パラメータを反復して更新した後、各SCNによって使用するように構成されたトレーニング結果を出力する
ように前記1つまたは複数のコンピュータによって実行可能であり、
前記SLRMに関連付けられたパラメータを反復して更新することが、
乱数を使用して各SCNによって提供される元のデータを暗号化することと、
前記SCN間の前記暗号化されたデータを交換することと
を含む、
非一時的コンピュータ可読記憶媒体。 - 前記SLRMの目的関数が、ミニバッチ確率勾配降下(SGD)法を使用して最適化されるロジスティック回帰関数であり、前記ロジスティック回帰関数が、次のように表され、
αおよびλは、機械学習ネットワーク構造を決定するハイパーパラメータであり、
mは前記ミニバッチSGDのサンプルサイズを表し、
Xはm*kサンプル行列を表し、
前記行列Xの各行はサンプルを表し、
Xiは前記行列Xのi番目の行を表し、
[j]はベクトルXiのj番目の行を表し、
XLはSCNに属するサンプルデータXのシェアを表し、
XRはSCNに属するサンプルデータXのシェアを表し、
θはパラメータ列ベクトルを表し、前記列ベクトルθが、θLおよびθRに垂直に分割され得る
請求項7に記載の非一時的コンピュータ可読記憶媒体。 - 前記SLRMに関連付けられたパラメータを反復して更新することが、イベント駆動モデルに従って実行される、請求項7に記載の非一時的コンピュータ可読記憶媒体。
- 前記SLRMに関連付けられたパラメータを反復して更新することが、
SCNごとに、列ベクトルを表すAの値を計算することであり、前記計算は、
A=Xθ=XLθL+XRθR
に基づいて実行され、式中、
XLθLおよびXRθRは各々、SCNのAのシェアを表す、
計算することと、
E=g(A)-Y i
に基づいて、予測誤差の列ベクトルを決定することであり、
式中、
gは、多項式関数フィッティングとすることができるシグモイド関数のフィッティング関数である、
決定することと、
次の式に基づいて更新された列ベクトルを決定することであり、
αおよびλは、機械学習ネットワーク構造を決定するハイパーパラメータであり、
XTE=(XL)TE||(XR)TE
である、決定することと
を含む、請求項7に記載の非一時的コンピュータ可読記憶媒体。 - 前記乱数の各々が、数字、ベクトル、または行列のうちの少なくとも1つである、請求項7に記載の非一時的コンピュータ可読記憶媒体。
- 前記あらかじめ定められた条件が、あらかじめ定められたしきい値未満の2つの連続した反復結果間の差異の出現である、請求項11に記載の非一時的コンピュータ可読記憶媒体。
- 1つまたは複数のコンピュータと、
前記1つまたは複数のコンピュータに結合され、命令を記憶した1つまたは複数のコンピュータ可読メモリあって、前記命令が、
秘密分散(SS)を使用して、セキュアなロジスティック回帰モデル(SLRM)のサンプルトレーニングデータを複数のシェアに分割し、各シェアが、セキュアな計算ノード(SCN)に配布され、
前記サンプルトレーニングデータの各シェアを使用して、前記SLRMに関連付けられたパラメータを反復して更新し、反復して更新することが、あらかじめ定められた条件が出現するまで続き、
前記SLRMに関連付けられた前記パラメータを反復して更新した後、各SCNによって使用するように構成されたトレーニング結果を出力する
ように前記1つまたは複数のコンピュータによって実行可能である、1つまたは複数のコンピュータ可読メモリと
を含み、
前記SLRMに関連付けられたパラメータを反復して更新することが、
乱数を使用して各SCNによって提供される元のデータを暗号化することと、
前記SCN間の前記暗号化されたデータを交換することと
を含む、
システム。 - 前記SLRMの目的関数が、ミニバッチ確率勾配降下(SGD)法を使用して最適化されるロジスティック回帰関数であり、前記ロジスティック回帰関数が、次のように表され、
αおよびλは、機械学習ネットワーク構造を決定するハイパーパラメータであり、
mは前記ミニバッチSGDのサンプルサイズを表し、
Xはm*kサンプル行列を表し、
前記行列Xの各行はサンプルを表し、
Xiは前記行列Xのi番目の行を表し、
[j]はベクトルXiのj番目の行を表し、
XLはSCNに属するサンプルデータXのシェアを表し、
XRはSCNに属するサンプルデータXのシェアを表し、
θはパラメータ列ベクトルを表し、前記列ベクトルθが、θLおよびθRに垂直に分割され得る
請求項13に記載のシステム。 - 前記SLRMに関連付けられたパラメータを反復して更新することが、イベント駆動モデルに従って実行される、請求項13に記載のシステム。
- 前記SLRMに関連付けられたパラメータを反復して更新することが、
SCNごとに、列ベクトルを表すAの値を計算することであり、前記計算は、
A=Xθ=XLθL+XRθR
に基づいて実行され、式中、
XLθLおよびXRθRは各々、SCNのAのシェアを表す、
計算することと、
E=g(A)-Y i
に基づいて、予測誤差の列ベクトルを決定することであり、
式中、
gは、多項式関数フィッティングとすることができるシグモイド関数のフィッティング関数である、
決定することと、
次の式に基づいて更新された列ベクトルを決定することであり、
αおよびλは、機械学習ネットワーク構造を決定するハイパーパラメータであり、
XTE=(XL)TE||(XR)TE
である、決定することと
を含む、請求項13に記載のシステム。 - 前記乱数の各々が、数字、ベクトル、または行列のうちの少なくとも1つである、
請求項13に記載のシステム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/071394 WO2019072315A2 (en) | 2019-01-11 | 2019-01-11 | LOGISTIC REGRESSION MODELING SCHEME USING SECRET SHARING |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020525814A JP2020525814A (ja) | 2020-08-27 |
JP6921233B2 true JP6921233B2 (ja) | 2021-08-18 |
Family
ID=66100025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019559292A Active JP6921233B2 (ja) | 2019-01-11 | 2019-01-11 | 秘密分散を使用したロジスティック回帰モデリング方式 |
Country Status (8)
Country | Link |
---|---|
US (1) | US10600006B1 (ja) |
EP (1) | EP3602410B1 (ja) |
JP (1) | JP6921233B2 (ja) |
KR (1) | KR102337168B1 (ja) |
CN (1) | CN110709863B (ja) |
PH (1) | PH12019502457A1 (ja) |
SG (1) | SG11201909946UA (ja) |
WO (1) | WO2019072315A2 (ja) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3070858B1 (fr) | 2017-09-14 | 2020-02-21 | Capsum | Dispersion avec phase grasse dispersee a teneur elevee en pigments |
CN110084068B (zh) * | 2018-01-26 | 2023-09-29 | 阿里巴巴集团控股有限公司 | 区块链系统及用于区块链系统的数据处理方法 |
JP7092206B2 (ja) * | 2018-10-04 | 2022-06-28 | 日本電信電話株式会社 | 秘密シグモイド関数計算システム、秘密ロジスティック回帰計算システム、秘密シグモイド関数計算装置、秘密ロジスティック回帰計算装置、秘密シグモイド関数計算方法、秘密ロジスティック回帰計算方法、プログラム |
CN112183759B (zh) * | 2019-07-04 | 2024-02-13 | 创新先进技术有限公司 | 模型训练方法、装置及系统 |
CN112183565B (zh) * | 2019-07-04 | 2023-07-14 | 创新先进技术有限公司 | 模型训练方法、装置及系统 |
CN112183566B (zh) * | 2019-07-04 | 2024-02-09 | 创新先进技术有限公司 | 模型训练方法、装置及系统 |
CN112183757B (zh) * | 2019-07-04 | 2023-10-27 | 创新先进技术有限公司 | 模型训练方法、装置及系统 |
US10803184B2 (en) | 2019-08-09 | 2020-10-13 | Alibaba Group Holding Limited | Generation of a model parameter |
CN110569228B (zh) * | 2019-08-09 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 模型参数确定方法、装置和电子设备 |
CN110580410B (zh) * | 2019-08-09 | 2023-07-28 | 创新先进技术有限公司 | 模型参数确定方法、装置和电子设备 |
CN110851869B (zh) * | 2019-11-14 | 2023-09-19 | 深圳前海微众银行股份有限公司 | 敏感信息处理方法、设备及可读存储介质 |
AU2020424576C1 (en) | 2020-01-20 | 2023-11-09 | Nippon Telegraph And Telephone Corporation | Secure computation apparatus, secure computation method, and program |
US11682095B2 (en) | 2020-02-25 | 2023-06-20 | Mark Coast | Methods and apparatus for performing agricultural transactions |
CN111368336B (zh) * | 2020-05-27 | 2020-09-04 | 支付宝(杭州)信息技术有限公司 | 基于秘密共享的训练方法、装置、电子设备及存储介质 |
CN111859267B (zh) * | 2020-06-22 | 2024-04-26 | 复旦大学 | 基于bgw协议的隐私保护机器学习激活函数的运算方法 |
CN112836868A (zh) * | 2021-01-22 | 2021-05-25 | 支付宝(杭州)信息技术有限公司 | 一种链接预测模型的联合训练方法和装置 |
CN113128700A (zh) * | 2021-03-23 | 2021-07-16 | 同盾控股有限公司 | 安全多方计算的联邦模型训练加速的方法和系统 |
CN113065145B (zh) * | 2021-03-25 | 2023-11-24 | 上海海洋大学 | 一种基于秘密共享和随机扰动的隐私保护线性回归方法 |
KR102557639B1 (ko) * | 2021-04-20 | 2023-07-19 | 성신여자대학교 연구 산학협력단 | 인공지능 학습장치 및 인공지능 학습장치의 동작방법 |
CN113037489B (zh) * | 2021-05-25 | 2021-08-27 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备和存储介质 |
CN113342915A (zh) * | 2021-06-22 | 2021-09-03 | 深圳壹账通智能科技有限公司 | 地址脱敏方法、装置、电子设备及存储介质 |
CN113837764B (zh) * | 2021-09-22 | 2023-07-25 | 平安科技(深圳)有限公司 | 风险预警方法、装置、电子设备和存储介质 |
CN116187433B (zh) * | 2023-04-28 | 2023-09-29 | 蓝象智联(杭州)科技有限公司 | 基于秘密分享的联邦拟牛顿训练方法、装置及存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5542075B2 (ja) * | 2011-03-01 | 2014-07-09 | 日本放送協会 | 認証サーバ、認証プログラムおよび認証システム |
JP2014164126A (ja) * | 2013-02-25 | 2014-09-08 | Nippon Telegr & Teleph Corp <Ntt> | 音響信号分析方法、装置、及びプログラム |
US9705913B2 (en) * | 2015-10-29 | 2017-07-11 | Intel Corporation | Wireless hotspot attack detection |
JP6673367B2 (ja) | 2016-01-07 | 2020-03-25 | ソニー株式会社 | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム |
KR20190032433A (ko) | 2016-07-18 | 2019-03-27 | 난토믹스, 엘엘씨 | 분산 머신 학습 시스템들, 장치, 및 방법들 |
CN106909886B (zh) * | 2017-01-20 | 2019-05-03 | 中国石油大学(华东) | 一种基于深度学习的高精度交通标志检测方法及系统 |
US10536437B2 (en) * | 2017-01-31 | 2020-01-14 | Hewlett Packard Enterprise Development Lp | Performing privacy-preserving multi-party analytics on vertically partitioned local data |
US10565524B2 (en) * | 2017-01-31 | 2020-02-18 | Hewlett Packard Enterprise Development Lp | Performing privacy-preserving multi-party analytics on horizontally partitioned local data |
CN107220217A (zh) * | 2017-05-31 | 2017-09-29 | 北京京东尚科信息技术有限公司 | 基于逻辑回归的特征系数训练方法和装置 |
WO2019048390A1 (en) * | 2017-09-07 | 2019-03-14 | Koninklijke Philips N.V. | MULTI-PART CALCULATION SYSTEM FOR LEARNING A CLASSIFIER |
CN108519981B (zh) * | 2018-02-01 | 2022-04-12 | 四川大学 | 一种跨链智能合约合作可能性评估方法 |
CN108712260B (zh) * | 2018-05-09 | 2021-06-25 | 曲阜师范大学 | 云环境下保护隐私的多方深度学习计算代理方法 |
-
2019
- 2019-01-11 CN CN201980002723.6A patent/CN110709863B/zh active Active
- 2019-01-11 EP EP19717098.8A patent/EP3602410B1/en active Active
- 2019-01-11 KR KR1020197032395A patent/KR102337168B1/ko active IP Right Grant
- 2019-01-11 JP JP2019559292A patent/JP6921233B2/ja active Active
- 2019-01-11 WO PCT/CN2019/071394 patent/WO2019072315A2/en unknown
- 2019-01-11 SG SG11201909946U patent/SG11201909946UA/en unknown
- 2019-06-20 US US16/447,859 patent/US10600006B1/en active Active
- 2019-10-30 PH PH12019502457A patent/PH12019502457A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
PH12019502457A1 (en) | 2020-07-20 |
CN110709863B (zh) | 2024-02-06 |
CN110709863A (zh) | 2020-01-17 |
KR102337168B1 (ko) | 2021-12-08 |
SG11201909946UA (en) | 2019-11-28 |
KR20200088767A (ko) | 2020-07-23 |
JP2020525814A (ja) | 2020-08-27 |
EP3602410A4 (en) | 2020-03-11 |
WO2019072315A3 (en) | 2019-11-07 |
EP3602410A2 (en) | 2020-02-05 |
EP3602410B1 (en) | 2021-09-29 |
WO2019072315A2 (en) | 2019-04-18 |
US10600006B1 (en) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6921233B2 (ja) | 秘密分散を使用したロジスティック回帰モデリング方式 | |
JP6825138B2 (ja) | プライバシー保護のための分散型マルチパーティセキュリティモデル訓練フレームワーク | |
US20230023520A1 (en) | Training Method, Apparatus, and Device for Federated Neural Network Model, Computer Program Product, and Computer-Readable Storage Medium | |
CN110245510B (zh) | 用于预测信息的方法和装置 | |
AU2019257397B2 (en) | Secure multi-party computation with no trusted initializer | |
WO2021120888A1 (zh) | 一种基于隐私数据进行模型训练的方法及系统 | |
Li et al. | Markov processes in blockchain systems | |
CN112085159B (zh) | 一种用户标签数据预测系统、方法、装置及电子设备 | |
US11410081B2 (en) | Machine learning with differently masked data in secure multi-party computing | |
CN111310204B (zh) | 数据处理的方法及装置 | |
EP3863003B1 (en) | Hidden sigmoid function calculation system, hidden logistic regression calculation system, hidden sigmoid function calculation device, hidden logistic regression calculation device, hidden sigmoid function calculation method, hidden logistic regression calculation method, and program | |
Miao et al. | Federated deep reinforcement learning based secure data sharing for Internet of Things | |
CN114186256A (zh) | 神经网络模型的训练方法、装置、设备和存储介质 | |
CN112598127A (zh) | 联邦学习模型训练方法和装置、电子设备、介质和产品 | |
US20230229793A1 (en) | Intelligent estimation of onboarding times for managed services | |
Doshi | Privacy preserving machine learning | |
WO2023010063A1 (en) | Improving automated surrogate training performance by incorporating simulator information | |
CN115545945A (zh) | 一种金融产品推荐方法、装置、电子设备及存储介质 | |
CN116368772A (zh) | 用于隐私保护推理的系统、方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191226 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201030 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210128 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210308 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210604 |
|
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: 20210628 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210727 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6921233 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |