JP7843699B2 - 暗号化データのブースティング・プロトコルの可能化 - Google Patents

暗号化データのブースティング・プロトコルの可能化

Info

Publication number
JP7843699B2
JP7843699B2 JP2022523580A JP2022523580A JP7843699B2 JP 7843699 B2 JP7843699 B2 JP 7843699B2 JP 2022523580 A JP2022523580 A JP 2022523580A JP 2022523580 A JP2022523580 A JP 2022523580A JP 7843699 B2 JP7843699 B2 JP 7843699B2
Authority
JP
Japan
Prior art keywords
encrypted data
boosting
processors
machine learning
computing device
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
Application number
JP2022523580A
Other languages
English (en)
Other versions
JP2023501119A (ja
Inventor
サーパトワ、カンティ
ヴァクリン、ロダン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of JP2023501119A publication Critical patent/JP2023501119A/ja
Application granted granted Critical
Publication of JP7843699B2 publication Critical patent/JP7843699B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • 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
    • H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
    • H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Storage Device Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、一般に暗号化データの分野に関し、より具体的には、暗号化データのブースティング・プロトコルを可能とすることに関する。
データ暗号化は、データをもう１つの形態、又はコードに翻訳することで、秘密鍵（より形式的には、暗号化鍵と呼ばれる。）、又はパスワードへのアクセスを有する人々がそれを読むことができる。暗号化データは、暗号文として共通して参照され、非暗号化データは、平文と呼ばれる。現在では、暗号化は、組織により使用される最も普及し、かつ効果的なデータ・セキュリティ方法の１つである。データ暗号化の２つの主要なタイプが存在する：公開鍵暗号としてもまた知られる非対称暗号化及び対称暗号化である。データ暗号化の目的は、コンピュータ・システム上での格納及びインターネット又は他のコンピュータ・ネットワークを使用して通信する際に、デジタル・データの秘密性を保護することである。
準同型暗号化は、秘密鍵にアクセスすることなく暗号化データを超えて計算するための、追加的な評価特性を有する暗号法の形態である。そのような計算の結果は、暗号化されたままに残される。準同型暗号法は、対称鍵、又は公開鍵暗号法の何れでも拡張するように見ることができる。準同型暗号化はプライバシーを保持する、アウトソース・ストレージ及び計算のために使用することができる。これは、データが暗号化され、すべてを暗号化したままで処理するための市場にあるクラウド環境へとアウトソースすることを許容する。健康管理といった高度に規制された製造業においては、準同型暗号化は、データ共有を禁止するプライバシ・バリヤを取り除くことにより新たなサービスを可能とするために使用することができる。例えば、健康管理における予測的分析は、医療データのプライバシー的配慮のために適用することが困難であるが、もし、予測分析サービスのプロバイダがその代わりに暗号化データについて操作することができるのであれば、これらのプライバシー的配慮が低減される。
本発明の実施形態の側面は、暗号化データを使用して機械学習モデルをトレーニングするための請求項１に請求される方法、請求項８及び９に請求される対応するコンピュータ・システム及びコンピュータ・プログラム製品を開示する。
図１は、本発明の実施形態による分散データ処理環境のブロック図を示す。 図２は、本発明の実施形態による暗号化データのトレーニング・プログラムのステップのフローチャートを示す。 図３は、本発明の実施形態によるクライアント環境と、クラウド・コンピューティング環境との間のデータフローを示す。 図４は、本発明の実施例による分散データ処理環境のコンピューティング・デバイスのブロック図を示す。
本発明の実施形態は、クライアントは、彼らのデータを保護したく、かつクラウド・プラットホームの操作者は、彼らの知的財産、すなわち、機械学習モデルを保護したいことを認識する。したがって、復号鍵無くして暗号化データについて機械学習モデルをトレーニングすることを可能とすることが必要とされている。準同型暗号化は、暗号化データについての計算機能を可能とするための技術として出現したが、準同型暗号化を、例えば、複雑なディープ・ラーニング・ニューラル・ネットワークの機械学習トレーニングといった複雑な問題に対して適用することは、高度に非効率的である。本発明の実施形態は、例えば、準同型暗号化データといった暗号化データに対する複雑な機械学習モデルのトレーニングを可能とする。
本発明の実施形態は、例えば、論理的回帰といったより単純なモデルを使用すること、及び強力なプライバシー及び計算機的な制約の下でブースティング・プロトコルを使用することを目的とする。本発明の実施形態は、クライアント・データは、クラウド・プラットホームにより絶対復号されることなく、かつクラウド・プラットホームのモデルが絶対クライアントに明かされないことを保証する。本発明の実施形態は、計算機的な困難な仕事のほとんどを行うためにクラウド・プラットホームを使用する。本発明の実施形態は、例えば、適応的ブースティング、勾配ブースティング、及び投票法を含むブースティング・アルゴリズムといった、いくつかの最新の機械学習アンサンブルのメタ・アルゴリズムをサポートする。
本発明の実施形態においては、クライアントは、その生の形態で格納することができない高度な秘密データを所有する。クライアントは、復号することができない準同型暗号化データとして、クラウド・プラットホームでその高度な秘密データを共有することを希望する。クラウド・プラットホームは準同型暗号化データについて、一定の計算、すなわち、診断、モデル・トレーニング、推定などを実行する。クラウド・プラットホーム・モデルは、クラウド・プラットホームにとって秘密である知的財産を含む。クラウド・プラットホームは、暗号化された結果を復号することができるクライアントに対して暗号化された結果を送付することができる。
ここで、本発明を、図面を参照しつつ詳細に説明する。
図１は、本発明の実施形態における分散データ処理環境１００を示す機能的ブロック図である。図１は、本発明の１つの実施形態を例示するに過ぎず、異なる実施形態を実装することができる環境に関して如何なる限定を伴うことはない。図示する実施形態においては、分散データ処理環境１００は、ネットワーク１２０で相互接続された、サーバ１１０と、クライアント・コンピューティング・デバイス１３０とを含む。ネットワーク１２０は、例えば、ローカル・エリア・ネットワーク（ＬＡＮ）、インターネットといったワイド・エリア・ネットワーク（ＷＡＮ）、又はこれら２つの組み合わせ、及び有線、又は無線、又はファイバ光学接続を含むことができる。一般には、ネットワーク１２０は、サーバ１１０と、クライアント・コンピューティング・デバイス１３０との間の通信をサポートする、接続及びプロトコルの如何なる組みわせとすることができる。分散データ処理環境１００は、不図示の追加的なサーバ、コンピュータ、又は他のデバイスを含むことができる。
サーバ１１０は、動作して、暗号化データのトレーニング・プログラム１１２を実行させ、かつデータベース１１４を使用してデータを格納、又は送付、又はそれらの両方をさせる。図示する実施形態では、サーバ１１０は、暗号化データのトレーニング・プログラム１１２及びデータベース１１４を収容する。他の実施形態（不図示）では、暗号化データのトレーニング・プログラム１１２及びデータベース１１４は、別々のコンピューティング・デバイス上に収容することができる。いくつかの実施形態では、サーバ１１０は、サーバ・システムとして、例えば、プライベート又はパブリック・クラウド・プラットホームといったクラウド・コンピューティング環境内といった、多数のコンピュータを使用するサーバ・コンピューティング・システムを表す。いくつかの実施形態においては、サーバ１１０は、管理サーバ、ウェブ・サーバ、又はデータを受領でき、かつ送付することができる如何なる他の電子的デバイス、又はコンピューティング・システムとすることができる。いくつかの実施形態においては、サーバ１１０は、ネットワーク１２０を介してクライアント・コンピューティング・デバイス１３０と通信することができる、ラップトップ・コンピュータ、タブレット・コンピュータ、ネットブック・コンピュータ、パーソナル・コンピュータ（ＰＣ）、デスクトップ・コンピュータ、スマートホン、又は如何なるプログラム可能な電子的デバイスとすることができる。サーバ１１０は、さらに詳細には図４において説明されるようなコンポーネントを含むことができる。
暗号化データのトレーニング・プログラム１１２は、暗号化データについて機械学習モデルをトレーニングするためのプログラムとして動作する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、暗号化データを受領する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、ブースティング・アルゴリズムを使用して機械学習モデルをトレーニングする。実施形態においては、暗号化データのトレーニング・プログラム１１２は、暗号化データの分類を実行する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、クライアントに対して暗号化された結果を送付する。実施形態では、暗号化データのトレーニング・プログラム１１２は、クライアントからブースティング・アップデートを受領する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、ブースティング・アップデートを機械学習モデルに適用する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、サーバ１１０上に滞在する。他の実施形態においては、暗号化データのトレーニング・プログラム１１２は、暗号化データのトレーニング・プログラム１１２がネットワーク１２０に対するアクセスを有するもう１つのコンピューティング・デバイス（不図示）上に滞在することができる。
データベース１１４は、暗号化データのトレーニング・プログラム１１２により受領され、使用され、又は出力され、又はこれらの組み合わせのデータについてのリポジトリとして動作する。暗号化データのトレーニング・プログラム１１２により受領され、使用され、又は生成され、又はこれらの組み合わせのデータは、これらに限定されることはなく、暗号化データ、準同型暗号化データ、及び機械学習からの暗号化された結果を含むことができる。データベース１１４は、データベース・サーバ、ハードディスク・ドライブ、又はフラッシュ・メモリといった、サーバ１１０によりアクセスされ、かつ使用されることができるデータ及び構成ファイルを格納することが可能な如何なるタイプのストレージ・デバイスで実装することができる。実施形態においては、データベース１１４は、暗号化データのトレーニング・プログラム１１２、又はサーバ１１０、又はそれら両方からアクセスされて、データを格納し、又はアクセスし、又はそれら両方を行う。説明する実施形態においては、データベース１１４は、サーバ１１０上に滞在する。もう１つの実施形態においては、データベース１１４は、データベース１１４がネットワーク１２０に対するアクセスを有する分散データ処理環境１００内の何処かに滞在することができる。
クライアント・コンピューティング・デバイス１３０は、動作して、ユーザ・インタフェース１３２と、クライアント・データベース１３４とを実行させる。いくつかの実施形態においては、クライアント・コンピューティング・デバイス１３０は、これらに限定されることはなく、ラップトップ・コンピュータ、タブレット・コンピュータ、ネットブック・コンピュータ、パーソナル・コンピュータ（ＰＣ）、デスクトップ・コンピュータ、スマートホン、又は如何なるプログラム可能な電子的デバイスといった、ユーザ・インタフェース１３２を実行し、かつネットワーク１２０を介してサーバ１１０及び暗号化データのトレーニング・プログラム１１２と通信（すなわち、データの送信及び受信）することができる電子的デバイスとすることができる。いくつかの実施形態においては、クライアント・コンピューティング・デバイス１３０は、機械可読なプログラム命令を実行でき、サーバ１１０、又はネットワーク１２０といったネットワークを介して分散データ処理環境１００内の他のコンピューティング・デバイス（不図示）、又はそれらの両方を通信することができる、１つ又はそれ以上のプログラム可能な電子的デバイス、又はプログラム可能な電子的デバイスの組み合わせを代表する。実施形態においては、クライアント・コンピューティング・デバイス１３０は、ユーザに伴われる１つ又はそれ以上のデバイスを代表する。図示した実施形態においては、クライアント・コンピューティング・デバイス１３０は、ユーザ・インタフェース１３２のインスタンスを含む。クライアント・コンピューティング・デバイス１３０は、さらに詳細に図４において説明するようなコンポーネントを含むことができる。
ユーザ・インタフェース１３２は、クライアント・コンピューティング・デバイス１３０上でローカル・ユーザ・インタフェースとして動作し、それを通してユーザがサーバ１１０上の暗号化データのトレーニング・プログラム１１２へと送付するための暗号化データを選択して、機械学習モデルを通じて実行させること、暗号化データのトレーニング・プログラム１１２へとブースティング・アップデートを送付すること、又は暗号化データのトレーニング・プログラム１１２により送付された暗号化された結果を見ること、又はそれらの組み合わせを可能とする。いくつかの実施形態においては、ユーザ・インタフェース１３２は、ネットワーク１２０を介して暗号化データのトレーニング・プログラム１１２からユーザへと送付された情報（グラフィックス、テキスト、又は音響又はそれらの組み合わせ）を表示（すなわち視覚的に）、又は提示（すなわちオーディオ的に）することができる、グラフィカル・ユーザ・インタフェース（ＧＵＩ）、ウェブ・ユーザ・インタフェース（ＷＵＩ）、又は音声ユーザ・インタフェース（ＶＵＩ）である。実施形態においては、ユーザ・インタフェース１３２は、ユーザがサーバ１１０上の暗号化データのトレーニング・プログラム１１２へと送付するべき暗号化データの選択を可能として、機械学習モデルを通して実行させること、暗号化データのトレーニング・プログラム１１２へとブースティング・アップデートを送付すること、又は暗号化データのトレーニング・プログラム１１２により送付された暗号化された結果を見ること又はそれらの組み合わせを可能とする。実施形態においては、ユーザ・インタフェース１３２は、データを送付すること及び受領することが可能である（すなわち、それぞれネットワーク１２０を介して暗号化データのトレーニング・プログラム１１２との間で）。
クライアント・データベース１３４は、クライアント・コンピューティング・デバイス１３０により受領され、使用され、又は出力された又はこれらの組み合わせのデータのリポジトリとして動作する。クライアント・コンピューティング・デバイス１３０により受領され、使用され、又は生成された又はこれらの組み合わせのデータは、これらに限定されることはなく、プライベートな生データ、暗号化データ、準同型暗号化データ、及び暗号化データのトレーニング・プログラム１１２から受領した暗号化された結果を含むことができる。クライアント・データベース１３４は、データベース・サーバ、ハードディスク・ドライブ、又はフラッシュ・メモリといったクライアント・コンピューティング・デバイス１３０によりアクセスされ、かつ使用されることができるデータ及び構成ファイルを格納することができる、如何なるタイプのストレージ・デバイスで実装することができる。実施形態においては、クライアント・データベース１３４は、クライアント・コンピューティング・デバイス１３０によりアクセスされて、データを格納し、アクセスし、又はそれらの両方を行う。図示した実施形態では、クライアント・データベース１３４は、クライアント・コンピューティング・デバイス１３０上に滞在する。他の実施形態では、クライアント・データベース１３４は、クライアント・データベース１３４がネットワーク１２０にアクセスを有する分散データ処理環境１００内の何処かに滞在することができる。
図２は、本発明の実施形態による、暗号化データのトレーニング・プログラム１１２のステップのフローチャート２００を示す。図示した実施形態においては、暗号化データのトレーニング・プログラム１１２は、暗号化データのセットを受領し、ブースティング・アルゴリズムを使用して機械学習モデルをトレーニングし、暗号化データについての分類を実行し、クライアントへと暗号化された結果を送付し、クライアントからブースティング・アップデートを受領し、かつ機械学習モデルへと、ブースティング・アップデートを適用する。図２に図示されたプロセスは、暗号化データのトレーニング・プログラム１１２により受領された暗号化データのそれぞれのセットについて反復するプロセスフローの、１つの可能な繰り返しを例示したものであることについて認識されるべきである。図３は、本発明の実施形態による、暗号化データのトレーニング・プログラム１１２の期間中での、クライアント環境と、クラウド・コンピューティング環境の間のデータのフローを図示する。
ステップ２１０で、暗号化データのトレーニング・プログラム１１２は、クライアントから暗号化データを受領する。実施形態においては、クラウド・コンピューティング環境の暗号化データのトレーニング・プログラム１１２は、図３に示すように、クライアントから暗号化データを受領する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、クライアント・コンピューティング・デバイス１３０から暗号化データを受領する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、準同型暗号化インスタンス（ｓｋ、ｐｋ）←KｅｙGｅｎ（λ，τ）を受領し、ここで、λ及びτは、クライアント・コンピューティング・デバイス１３０上のユーザ・インタフェース１３２を通して生成されたセキュリティ・パラメータである。実施形態においては、暗号化データのトレーニング・プログラム１１２は、クライアントから、クライアント・コンピューティング・デバイス１３０上のユーザ・インタフェース１３２を通して公開鍵ｐｋを受領する。実施形態においては、秘密鍵ｓｋは、クライアント・コンピューティング・デバイス１３０上のクライアント・データベース１３４内のクライアントによって保持される。実施形態においては、暗号化データのトレーニング・プログラム１１２は、ユーザ・インタフェース１３２を通してクライアントが公開鍵ｐｋを使用してデータＤのセットを暗号化し、Ｄｅｎｃ←Ｅｎｃｒｙｐｔ（ｐｋ，Ｄ）の生成を可能とする。実施形態においては、暗号化データのトレーニング・プログラム１１２は、サーバ１１０上のデータベース１１４内のデータＤｅｎｃの暗号化セットを格納する。
ステップ２２０で、暗号化データのトレーニング・プログラム１１２は、ブースティング・プログラムを使用して暗号化データの機械学習モデルをトレーニングする。実施形態においては、暗号化データのトレーニング・プログラム１１２は、図３に示されるように、ブースティング・アルゴリズムを使用して暗号化データについてクラウド・コンピューティング環境の機械学習モデルをトレーニングする。実施形態においては、暗号化データのトレーニング・プログラム１１２は、データＤｅｎｃの暗号化セットについてサーバ１１０の機械学習モデルをトレーニングする。実施形態においては、暗号化データのトレーニング・プログラム１１２は、例えば、暗号化データのセットについて、論理回帰、又は深さが１の決定木といった弱分類器をトレーニングする。実施形態においては、暗号化データのトレーニング・プログラム１１２は、データＤｅｎｃの暗号化セットについて分類器Ｗｉをトレーニングする。実施形態においては、暗号化データのトレーニング・プログラム１１２は、機械学習モデル又は分類器を、ブースティング・アルゴリズム、すなわち、適応的ブースティング、勾配ブースティング、又は投票法又はこれらの組み合わせを使用してトレーニングする。実施形態は、適応的ブースティング及び勾配ブースティングを使用する実施形態を、以下のステップ２６０の後に説明する。
ステップ２３０では、暗号化データのトレーニング・プログラム１１２は、暗号化データについて分類を実行する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、図３に示されたトレーニングされた機械学習モデルを使用して分類を実行する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、暗号化データＤｅｎｃのセットについてトレーニングされた機械学習モデル、又は分類器を使用して分類を実行する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、トレーニングされた機械学習モデル、又は分類器から分類の結果を受領する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、トレーニングされた機械学習モデル、又は分類器から、分類器によりシャッフルされ、暗号化された結果を受領し、ここで、シャッフルされた、とは、結果のアレイがランダムな仕方又は順序で配列されたことを意味する。ランダムに配列された順番は、暗号化データのトレーニング・プログラム１１２だけが知り、かつクライアントには知られないので、真の結果は、クライアントに明かされることはない。
ステップ２４０では、暗号化データのトレーニング・プログラム１１２は、クライアントに対して暗号化された結果を送付する。実施形態においては、暗号化されたデータのトレーニング・プログラム１１２は、図３に示されるようにクライアントに対して、分類器の、シャッフルされ、暗号化された結果を送付する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、分類器の、シャッフルされ、暗号化された結果をクライアント・コンピューティング・デバイス１３０へと送付する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、暗号化された結果をランダムに混ぜた順序で分類の暗号化された結果を送付する。
ステップ２５０では、暗号化データのトレーニング・プログラム１１２は、クライアントからブースティング・アップデートを受領する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、図３に示すようにクライアントからブースティング・アップデートを受領する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、クライアント・コンピューティング・デバイス１３０から、サンプリング確率、改善ターゲット・ラベルなどのブースティングの形態で、ブースティング・アップデートを受領する。実施形態においては暗号化されたトレーニング・プログラム１１２は、シャッフルされ、暗号化された結果についてのブースティング・アップデートを受領する。実施形態においては、クライアントは、クライアント・コンピューティング・デバイス１３０上のユーザ・インタフェース１３２を通して暗号化された結果、復号された結果、及びブースティング・アップデートを受領して、サーバ１１０に送り返す。
ステップ２６０では、暗号化データのトレーニング・プログラム１１２は、ブースティング・アップデートを適用する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、図３に示されたクライアントからのブースティング・アップデートを適用する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、ステップ２３０からのランダムな配列順を反転させることによってクライアント・コンピューティング・デバイス１３０からの暗号化された結果をアンシャッフルして、それらのアンシャッフルした順序において取得する。実施形態においては、暗号化データのトレーニング・プログラム１１２は、クライアント・コンピューティング・デバイス１３０から受領したブースティング・アップデートを適用して、機械学習モデル、又は分類器のトレーニングを継続する。暗号化データのトレーニング・プログラム１１２は、受領した使用されるブースティング・アルゴリズムにしたがってブースティング・アップデートを適用するが、これを以下に説明する。実施形態においては、ブースティング・アップデートを適用する暗号化データのトレーニング・プログラム１１２に応答して、暗号化データのトレーニング・プログラム１１２は、ステップ２３０からステップ２６０を、事前定義された繰り返し数で繰り返しを反復し、ここで、事前定義された数は、ユーザ・インタフェース１３２を有してユーザにより定義することができる。実施形態においては、ブースティング・アップデートを適用する暗号化データのトレーニング・プログラム１１２に応答して、暗号化データのトレーニング・プログラム１１２は、ステップ２３０からステップ２６０を、ｉ≦Ｋまで繰り返して反復し、ここで、ｉは、現在の繰り返し回数を参照し、Ｋは、トレーニングされる分類器の全数、又は実行される繰り返しの最大数を参照する。
実施形態においては、暗号化データのトレーニング・プログラム１１２は、適応的ブースティング・アルゴリズムを使用する。ステップ２１０で、暗号化データのトレーニング・プログラム１１２は、準同型暗号化インスタンス（ｓｋ、ｐｋ）←ＫｅｙＧｅｎ（λ，τ）、公開鍵、及び暗号化データＤｅｎｃのセットを受領する。この実施形態において、暗号化データのトレーニング・プログラム１１２は、追加的に重み関数
及びＫを、クライアント・コンピューティング・デバイス１３０から受領する。ステップ２２０で、暗号化データのトレーニング・プログラム１１２は、重みｗで暗号化データＤｅｎｃのセットについて、重み分類器Ｗｉをトレーニングする。ステップ２３０で、暗号化データのトレーニング・プログラム１１２は、暗号化データＤｅｎｃのセットについて分類を実行する。ステップ２４０で、暗号化データのトレーニング・プログラム１１２は、クライアント・コンピューティング・デバイス１３０へと暗号化された結果を送付する。ステップ２５０で、暗号化データのトレーニング・プログラム１１２は、クライアントからアップデートされた重み、
を受領し、ここで、クライアントは、誤分類率δｉを計算すると共に、アップデートされた重みを、
を使用して計算し、ここで、ｅｒｒ（ｘ）は、分類が正しい場合には０であり、正しくない場合には１である。この実施形態においては、暗号化データのトレーニング・プログラム１１２は、ステップ２３０からステップ２６０まで、ｉ≦Ｋとなるまで繰り返し反復する。
もう１つの実施形態においては、暗号化データのトレーニング・プログラム１１２は、勾配ブースティング・アルゴリズムを使用する。ステップ２１０では、暗号化データのトレーニング・プログラム１１２は、準同型暗号化インスタンス（ｓｋ，ｐｋ）←ＫｅｙＧｅｎ（λ，τ）、公開鍵、及びＤｅｎｃ＝（Ｘｅｎｃ，Ｙｅｎｃ）として格納された暗号化データＤｅｎｃのセットを受領する。ここで、Ｘｅｎｃは、暗号化されたデータ・ポイントであり、Ｙｅｎｃは、データ・ポイントの暗号化ラベルである。この実施形態においては、暗号化データのトレーニング・プログラム１１２は、追加的にターゲット勾配Ｔ＝Ｙｅｎｃを初期化し、トレーニングするべきターゲット・モデルをｆ０←φとして初期化する。ステップ２２０においては、暗号化データのトレーニング・プログラム１１２は、ｈｋ ｅｎｃにより表される（Ｘｅｎｃ，Ｔ）について重み分類器Ｗｉをトレーニングする。ステップ２３０において、暗号化データのトレーニング・プログラム１１２は、トレーニングするべきターゲット・モデルに対してｋ回の繰り返し後に、
を返す分類を実行する。ステップ２４０では、暗号化データのトレーニング・プログラム１１２は、クライアント・コンピューティング・デバイス１３０へと暗号化された結果を送付する。ステップ２５０では、暗号化データのトレーニング・プログラム１１２は、ターゲット勾配Ｔを、クライアントから受領し、ここで、クライアントは、ｆｋ ｅｎｃを復号してｆｋを取得し、以下に示す勾配ステップ（１）を計算して、
と暗号化する。この実施形態では、暗号化データのトレーニング・プログラム１１２は、ｋ≦Ｋである間、ステップ２３０からステップ２６０を繰り返して反復する。
もう１つの実施形態においては、暗号化データのトレーニング・プログラム１１２は、適応的ブースティング・アルゴリズムを使用し、サーバ１１０は、プライベート・クラウド環境である。ステップ２１０で、暗号化データのトレーニング・プログラム１１２は、準同型暗号化インスタンス（ｓｋ、ｐｋ）←ＫｅｙＧｅｎ（λ、τ）、公開鍵、及び暗号化データＤｅｎｃのセットを受領する。この実施形態においては、暗号化データのトレーニング・プログラム１１２は、追加的にＤｅｎｃドメインに秘密の重み関数ｗを初期化して、トレーニングする分類器の数についてのハイパーパラメータであるＫに設定する。ステップ２２０で、暗号化データのトレーニング・プログラム１１２は、暗号化データＤｅｎｃのセットについて、重みｗを使用して重み分類器Ｗｉをトレーニングする。ステップ２３０で、暗号化データのトレーニング・プログラム１１２は、暗号化データＤｅｎｃのセットについて分類を実行する。ステップ２４０で、暗号化データのトレーニング・プログラム１１２は、クライアント・コンピューティング・デバイス１３０へとシャッフルされ、暗号化された結果を送付する。ステップ２５０では、暗号化データのトレーニング・プログラム１１２は、クライアントからシャッフルされた順で、結果Δ（ｘ）を受領し、ここで、クライアントは、誤分類率δｉを計算して、
を計算する。ここで、ｅｒｒ（ｘ）は、分類が正しい場合０であり、正しくない場合１である。ステップ２６０では、暗号化データのトレーニング・プログラム１１２は、結果をアンシャッフルして、重みベクトルｗを、ｗ（ｘ）←ｗ（ｘ）Δ（ｘ）にアップデートする。この実施形態では、暗号化データのトレーニング・プログラム１１２は、ｉ≦Ｋの間、繰り返しステップ２３０からステップ２６０を反復する。
図４は、本発明の例示的な実施形態によるサーバ１１０及びクライアント・コンピューティング・デバイス１３０に好適なコンピュータ４００のブロック図を示す。図４は、１つの実装の例示にすぎず、異なる実施形態が実装可能な環境に関して如何なる限定を伴うものではないことについて認識されるべきである。図示した環境に対する多くの修正が成しえる。
コンピュータ４００は、通信機能４０２を含み、これは、キャッシュ４１６、メモリ４０６、持続性ストレージ４０８、通信ユニット４１０及び入力／出力（Ｉ／Ｏ）インタフェース（複数でもよい）４１２の間の通信を提供する。通信機能４０２は、プロセッサ（マイクロプロセッサ、通信及びネットワーク・プロセッサなど）、システム・メモリ、周辺デバイス、及びシステム内の如何なる他のハードウェアとの間でデータを渡し、又は情報を制御し、又はこれらの両方のために設計される如何なるアーキテクチャで実装することができる。例えば、通信機能４０２は、１つ又はそれ以上のバス又はクロスバー・スイッチで実装することができる。
メモリ４０６及び持続性ストレージ４０８は、コンピュータ可読なストレージ媒体である。この実施形態においては、メモリ４０６は、ランダム・アクセス・メモリ（ＲＡＭ）を含む。一般に、メモリ４０６は、如何なる好適な揮発性、又は不揮発性のコンピュータ可読な記録媒体を含むことができる。キャッシュ４１６は、メモリ４０６から最近にアクセスされたデータ及びアクセスされたデータに近いデータを保持することによって、コンピュータ・プロセッサ（複数でもよい）４０４の性能を向上する高速メモリである。
暗号化データのトレーニング・プログラム１１２は、キャッシュ４１６を介したそれぞれのコンピュータ・プロセッサ４０４の１つ又はそれ以上による実行、又はアクセス、又はそれらの両方のため、持続性ストレージ４０８内及びメモリ４０６内に格納することができる。実施形態においては、持続性ストレージ４０８は、磁気的ハードディスク・ドライブを含む。磁気的ハードディスク・ドライブに代替的に又は追加的に、持続性ストレージ４０８は、ソリッドステートのハード・ドライブ、半導体ストレージ・デバイス、リード・オンロー・メモリ（ＲＯＭ）、消去可能なプログラム可能のリード・オンリー・メモリ（ＥＰＲＯＭ）、フラッシュ・メモリ、又はプログラム命令又はデジタル情報を格納することが可能な如何なる他のコンピュータ可読なストレージ媒体を含むことができる。
持続性ストレー４０８により使用される媒体は、また、取り外し可能とすることができる。例えば、取り外し可能なハード・ドライブは、持続性ストレージ４０８のために使用することができる。他の実施例は、光磁気ディスク、サム・ドライブ（商標）、及びまた持続性ストレージ４０８の武運であるもう１つのコンピュータ可読な記録媒体への転送のためドライブに挿入される、スマート・カードを含むことができる。
通信ユニット４１０は、これらの実施例においては、他のデータ処理システム、又はデバイスとの通信を提供する。これらの実施例においては、通信ユニット４１０は、１つ又はそれ以上のネットワークインタフェース・カードを含む。通信ユニット４１０は、物理的及びワイヤレス通信リンクの何れか又は両方の使用を通して通信を提供することができる。暗号化データのトレーニング・プログラム１１２といったプログラムは、通信ユニット４１０を通して持続性ストレージ４０８へとダウンロードすることができる。
Ｉ／Ｏインタフェース（複数でもよい）４１２は、コンピューティング・デバイス１３０と、サーバ１１０とを接続することを可能とする他のデバイスとデータの入力及び出力を可能とする。例えば、Ｉ／Ｏインタフェース４１２は、キーボード、キーパッド、タッチスクリーン、又はいくつかの他の好適な入力デバイスといった外部デバイス４１８への接続を可能とする。外部デバイス４１８は、また、例えば、サム・ドライブ、携行可能な光学又は磁気ディスク、メモリ・カードといった携行可能なコンピュータ可読な記録媒体を含むことができる。本発明の実施形態を実施するために使用されるソフトウェア及びデータは、そのような携行可能なコンピュータ可読な記録媒体上に格納でき、かつＩ／Ｏインタフェース（複数でもよい）４１２を介して持続性ストレージ４０８上にロードすることができる。Ｉ／Ｏインタフェース（複数でもよい）４１２は、また、ディスプレイ４２０を接続する。
ディスプレイ４２０は、ユーザに対してデータを表示するための機構を提供すると共に、例えば、コンピュータ・モニタとすることができる。
本明細書で記載したプログラムは、本発明の特定の実施形態において実装されるためのアプリケーションに基づいて識別される。しかしながら、本明細書においては如何なる特定のプログラムの用語は、単に利便性のために使用されることが認識されるべきであり、したがって、そのような用語により識別され、又は意味される如何なる特定のアプリケーションにだけ限定されるものではない。
本発明は、システム、方法、又はコンピュータ・プログラム製品、又はそれらの組み合わせとすることができる。コンピュータ・プログラム製品は、それ上に、プロセッサに対して本開示の特徴を遂行させるためのコンピュータ可読なプログラム命令を有する、コンピュータ可読な記録媒体（又は複数の媒体）を含む。
コンピュータ可読な記録媒体は、命令実行デバイスが使用するための複数の命令を保持し格納することができる有形のデバイスとすることができる。コンピュータ可読な媒体は、例えば、これらに限定されないが、電気的記録デバイス、磁気的記録デバイス、光学的記録デバイス、電気磁気的記録デバイス、半導体記録デバイス、又はこれらの如何なる好ましい組み合わせとすることができる。コンピュータ可読な記録媒体のより具体的な実施例は、次のポータブル・コンピュータ・ディスク、ハードディスク、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリー・メモリ（ＲＯＭ）、消去可能なプログラマブル・リード・オンリー・メモリ（ＥＰＲＯＭ又はフラッシュ・メモリ（登録商標））、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）、ポータブル・コンパクト・ディスク・リード・イオンリー・メモリ（ＣＤ－ＲＯＭ）、デジタル多目的ディスク（ＤＶＤ）、メモリ・スティック、フロッピー・ディスク（登録商標）、パンチ・カード又は命令を記録した溝内に突出する構造を有する機械的にエンコードされたデバイス、及びこれらの好ましい如何なる組合せを含む。本明細書で使用するように、コンピュータ可読な記録媒体は、ラジオ波又は他の自由に伝搬する電磁波、導波路又は他の通信媒体（例えば、光ファイバ・ケーブルを通過する光パルス）といった電磁波、又はワイヤを通して通信される電気信号といったそれ自体が一時的な信号として解釈されることはない。
本明細書において説明されるコンピュータ・プログラム命令は、コンピュータ可読な記録媒体からそれぞれのコンピューティング／プロセッシング・デバイスにダウンロードでき、又は例えばインターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク又はワイヤレス・ネットワーク及びそれからの組み合わせといったネットワークを介して外部コンピュータ又は外部記録デバイスにダウンロードすることができる。ネットワークは、銅通信ケーブル、光通信ファイバ、ワイヤレス通信、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ及びエッジ・サーバ又はこれらの組み合わせを含むことができる。それぞれのコンピューティング／プロセッシング・デバイスにおけるネットワーク・アダプタ・カード又はネットワーク・インタフェースは、ネットワークからコンピュータ可読なプログラム命令を受領し、このコンピュータ可読なプログラム命令を格納するためにそれぞれのコンピューティング／プロセッシング・デバイス内のコンピュータ可読な記録媒体内に転送する。
本発明の操作を遂行するためのコンピュータ可読なプログラム命令は、アセンブラ命令、命令セット・アーキテクチャ（ＩＳＡ）命令、機械語命令、マシン依存命令、マイクロ・コード、ファームウェア命令、状態設定データ、集積回路のための構成データ、又は１つ又はそれ以上の、Ｓｍａｌｌｔａｌｋ（登録商標）、Ｃ＋＋などのオブジェクト指向プログラミング言語、“Ｃ”プログラミング言語又は類似のプログラム言語といった従来の手続き型プログラミング言語を含むプログラミング言語のいかなる組合せにおいて記述されたソース・コード、又はオブジェクト・コードのいずれかとすることができる。コンピュータ可読なプログラム命令は、全体がユーザ・コンピュータ上で、部分的にユーザ・コンピュータ上でスタンドアローン・ソフトウェア・パッケージとして、部分的にユーザ・コンピュータ上で、かつ部分的にリモート・コンピュータ上で、又は全体がリモート・コンピュータ又はサーバ上で実行することができる。後者のシナリオにおいて、リモート・コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）を含むいかなるタイプのネットワークを通してユーザ・コンピュータに接続することができ、又は接続は、外部コンピュータ（例えばインターネット・サービス・プロバイダを通じて）へと行うことができる。いくつかの実施形態では、例えばプログラマブル論理回路、フィールド・プログラマブル・ゲートアレイ（ＦＰＧＡ）、又はプログラマブル論理アレイ（ＰＬＡ）を含む電気回路がコンピュータ可読なプログラム命令を、コンピュータ可読なプログラム命令の状態情報を使用して、本発明の特徴を実行するために電気回路をパーソナライズして実行することができる。
本明細書で説明した本発明の側面を、本発明の実施形態にしたがい、フローチャート命令及び方法のブロック図、又はそれらの両方、装置（システム）、及びコンピュータ可読な記録媒体及びコンピュータ・プログラム製品を参照して説明した。フローチャートの図示及びブロック図又はそれら両方及びフローチャートの図示におけるブロック及びブロック図、又はそれらの両方のいかなる組合せでもコンピュータ可読なプログラム命令により実装することができることを理解されたい。
コンピュータ可読なプログラム命令は、汎用目的のコンピュータ、特定目的のコンピュータ、又は他のプロセッサ又は機械を生成するための他のプログラマブル・データ・プロセッシング装置に提供することができ、コンピュータのプロセッサ又は他のプログラマブル・データ・プロセッシング装置による実行がフローチャート及びブロック図のブロック又は複数のブロック又はこれらの組み合わせで特定される機能／動作を実装するための手段を生成する。コンピュータ、プログラマブル・データ・プロセッシング装置及び他の装置又はこれらの組み合わせが特定の仕方で機能するように指令するこれらのコンピュータ可読なプログラム命令は、またコンピュータ可読な記録媒体に格納することができ、その内に命令を格納したコンピュータ可読な記録媒体は、フローチャート及びブロック図のブロック又は複数のブロック又はこれらの組み合わせで特定される機能／動作の特徴を実装する命令を含む製造品を構成する
コンピュータ可読なプログラム命令は、またコンピュータ、他のプログラマブル・データ・プロセッシング装置、又は他のデバイス上にロードされ、コンピュータ、他のプログラマブル装置、又は他のデバイス上で操作ステップのシリーズに対してコンピュータ実装プロセスを生じさせることで、コンピュータ、他のプログラマブル装置又は他のデバイス上でフローチャート及びブロック図のブロック又は複数のブロック又はこれらの組み合わせで特定される機能／動作を実装させる。

Claims (14)

  1. 暗号化データについて機械学習モデルをトレーニングするため、１つ又はそれ以上のプロセッサにより実行されるコンピュータ実装方法であって、前記コンピュータ実装方法は、
    １つ又はそれ以上のプロセッサにより、クライアント・コンピューティング・デバイスから暗号化データのセットを受領すること、
    １つ又はそれ以上のプロセッサにより、ブースティング・アルゴリズムを使用して機械学習モデルをトレーニングすることであって、前記機械学習モデルは、クラウド・プラットホームに格納され、かつ、前記クライアント・コンピューティング・デバイスには共有されない、前記トレーニングすること、
    １つ又はそれ以上のプロセッサにより、前記トレーニングされた機械学習モデルを使用して前記暗号化データのセットについて第１の分類を実行すること、
    １つ又はそれ以上のプロセッサにより、前記第１の分類の暗号化された結果の第１のセットを、前記クライアント・コンピューティング・デバイスには知られないランダムな配列順にシャッフルすること、
    １つ又はそれ以上のプロセッサにより、前記シャッフルされた第１の分類の暗号化された結果の第１のセットを前記クライアント・コンピューティング・デバイスに送付すること、
    １つ又はそれ以上のプロセッサにより、前記クライアント・コンピューティング・デバイスからブースティング・アップデートの第１のセットを受領すること、及び
    １つ又はそれ以上のプロセッサにより、前記ブースティング・アップデートの第１のセットを前記機械学習モデルに適用すること
    を含む、方法。
  2. 前記ブースティング・アルゴリズムは、適応的ブースティング・アルゴリズム及び勾配ブースティング・アルゴリズムからなる群から選択される、請求項１に記載のコンピュータ実装方法。
  3. 前記１つ又はそれ以上のプロセッサは、クラウド・コンピューティング環境の一部である、請求項１に記載のコンピュータ実装方法。
  4. 前記クラウド・コンピューティング環境は、プライベート・クラウド・プラットホームである、請求項３に記載のコンピュータ実装方法。
  5. さらに、
    １つ又はそれ以上のプロセッサにより、前記ブースティング・アップデートの第１のセットを、前記ランダムな配列順を反転させることによってアンシャッフルすることを含む、請求項１に記載のコンピュータ実装方法。
  6. さらに、
    １つ又はそれ以上のプロセッサにより、前記機械学習モデルを使用して前記暗号化データのセットについて第２の分類を実行すること、
    １つ又はそれ以上のプロセッサにより、前記第２の分類の暗号化された結果の第２のセットを前記クライアント・コンピューティング・デバイスに送付すること、
    １つ又はそれ以上のプロセッサにより、前記クライアント・コンピューティング・デバイスからブースティング・アップデートの第２のセットを受領すること、
    １つ又はそれ以上のプロセッサにより、前記機械学習モデルに前記ブースティング・アップデートの第２のセットを適用すること、及び
    １つ又はそれ以上のプロセッサにより、前記実行すること、前記送付すること、前記受領すること及び適用することを、事前定義された繰り返しの数について繰り返して実行すること
    を含む、請求項１に記載のコンピュータ実装方法。
  7. 請求項１～６のいずれか１項に記載の方法のすべてのステップを実行するために適応された手段を含む、システム。
  8. 暗号化データについて機械学習モデルをトレーニングする１つ又はそれ以上のプロセッサを含むコンピュータ・システムであって、
    クライアント・コンピューティング・デバイスから暗号化データのセットを受領すること、
    ブースティング・アルゴリズムを使用して機械学習モデルをトレーニングすることであって、前記機械学習モデルは、クラウド・プラットホームに格納され、かつ、前記クライアント・コンピューティング・デバイスには共有されない、前記トレーニングすること、
    前記トレーニングされた機械学習モデルを使用して前記暗号化データのセットについて第１の分類を実行すること、
    前記第１の分類の暗号化された結果の第１のセットを、前記クライアント・コンピューティング・デバイスには知られないランダムな配列順にシャッフルすること、
    前記シャッフルされた第１の分類の暗号化された結果の第１のセットを前記クライアント・コンピューティング・デバイスに送付すること、
    前記クライアント・コンピューティング・デバイスからブースティング・アップデートの第１のセットを受領すること、及び
    前記ブースティング・アップデートの第１のセットを前記機械学習モデルに適用すること
    を含む、コンピュータ・システム。
  9. 前記ブースティング・アルゴリズムは、適応的ブースティング・アルゴリズム及び勾配ブースティング・アルゴリズムからなる群から選択される、請求項８に記載のコンピュータ・システム。
  10. 前記１つ又はそれ以上のプロセッサは、クラウド・コンピューティング環境の一部である、請求項８に記載のコンピュータ・システム。
  11. 前記クラウド・コンピューティング環境は、プライベート・クラウド・プラットホームである、請求項１０に記載のコンピュータ・システム。
  12. さらに、
    前記ブースティング・アップデートの第１のセットを、前記ランダムな配列順を反転させることによってアンシャッフルすることを含む、請求項８に記載のコンピュータ・システム。
  13. さらに、
    前記機械学習モデルを使用して前記暗号化データのセットについて第２の分類を実行すること、
    前記第２の分類の暗号化された結果の第２のセットを前記クライアント・コンピューティング・デバイスに送付すること、
    前記クライアント・コンピューティング・デバイスからブースティング・アップデートの第２のセットを受領すること、
    前記機械学習モデルに前記ブースティング・アップデートの第２のセットを適用すること、及び
    前記実行すること、前記送付すること、前記受領すること及び適用することを、事前定義された繰り返しの数について繰り返して実行すること
    を含む、請求項８に記載のコンピュータ・システム。
  14. 請求項１～６の何れか１項に記載のコンピュータ実装方法を、コンピュータが実行するためのコンピュータ・プログラム。
JP2022523580A 2019-11-15 2020-10-13 暗号化データのブースティング・プロトコルの可能化 Active JP7843699B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/685,034 2019-11-15
US16/685,034 US12212651B2 (en) 2019-11-15 2019-11-15 Enabling boosting protocols on encrypted data
PCT/EP2020/078805 WO2021094050A1 (en) 2019-11-15 2020-10-13 Enabling boosting protocols on encrypted data

Publications (2)

Publication Number Publication Date
JP2023501119A JP2023501119A (ja) 2023-01-18
JP7843699B2 true JP7843699B2 (ja) 2026-04-10

Family

ID=72895955

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022523580A Active JP7843699B2 (ja) 2019-11-15 2020-10-13 暗号化データのブースティング・プロトコルの可能化

Country Status (5)

Country Link
US (1) US12212651B2 (ja)
EP (1) EP4059181A1 (ja)
JP (1) JP7843699B2 (ja)
CN (1) CN114731267A (ja)
WO (1) WO2021094050A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12363136B1 (en) * 2020-12-28 2025-07-15 Trend Micro Incorporated Detection of unauthorized internet of things devices in a computer network
US11276001B1 (en) * 2021-06-10 2022-03-15 Orbsurgical Ltd. Machine learning for interconnected surgical theater architecture
KR102615381B1 (ko) * 2021-08-24 2023-12-19 서울대학교산학협력단 동형 암호를 활용한 사적 변수의 보안 방법 및 장치
CN114866486B (zh) * 2022-03-18 2024-06-18 广州大学 一种基于数据包的加密流量分类系统

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8925075B2 (en) 2011-11-07 2014-12-30 Parallels IP Holdings GmbH Method for protecting data used in cloud computing with homomorphic encryption
US10735298B2 (en) * 2012-12-05 2020-08-04 Origin Wireless, Inc. Method, apparatus, server and system for vital sign detection and monitoring
WO2016179525A1 (en) 2015-05-07 2016-11-10 ZeroDB, Inc. Zero-knowledge databases
US9900147B2 (en) 2015-12-18 2018-02-20 Microsoft Technology Licensing, Llc Homomorphic encryption with optimized homomorphic operations
EP3203679A1 (en) 2016-02-04 2017-08-09 ABB Schweiz AG Machine learning based on homomorphic encryption
US11562382B2 (en) * 2016-11-11 2023-01-24 Jpmorgan Chase Bank, N.A. System and method for providing data science as a service
KR20200018792A (ko) 2017-06-02 2020-02-20 띵크스팬, 엘엘씨 유니버셜 데이터 스캐폴드 기반의 데이터 관리 플랫폼
US10491373B2 (en) * 2017-06-12 2019-11-26 Microsoft Technology Licensing, Llc Homomorphic data analysis
US10700864B2 (en) 2017-07-12 2020-06-30 International Business Machines Corporation Anonymous encrypted data
US10713535B2 (en) * 2017-09-15 2020-07-14 NovuMind Limited Methods and processes of encrypted deep learning services
EP3461054A1 (en) 2017-09-20 2019-03-27 Universidad de Vigo System and method for secure outsourced prediction
US11544494B2 (en) * 2017-09-28 2023-01-03 Oracle International Corporation Algorithm-specific neural network architectures for automatic machine learning model selection
US10728017B2 (en) 2017-11-03 2020-07-28 International Business Machines Corporation Performing vector comparison operations in fully homomorphic encryption
US10198399B1 (en) * 2018-03-06 2019-02-05 KenSci Inc. Cryptographically secure machine learning
US11157833B2 (en) 2018-03-14 2021-10-26 International Business Machines Corporation Learning service blockchain
KR102272928B1 (ko) 2018-03-27 2021-07-02 서울대학교산학협력단 암호화 데이터를 이용하는 기계학습 모델 운영방법 및 기계학습 모델 기반 장치
KR102103731B1 (ko) 2018-04-02 2020-05-29 서울과학기술대학교 산학협력단 비대화식 통신을 이용한 암호화 데이터의 기계학습 시스템
US20190332814A1 (en) 2018-04-27 2019-10-31 Nxp B.V. High-throughput privacy-friendly hardware assisted machine learning on edge nodes
US10783230B2 (en) * 2018-05-09 2020-09-22 Shape Matrix Geometric Instruments, LLC Methods and apparatus for encoding passwords or other information
US10289816B1 (en) * 2018-06-08 2019-05-14 Gsfm Llc Methods, systems, and devices for an encrypted and obfuscated algorithm in a computing environment
CN108833077A (zh) 2018-07-02 2018-11-16 西安电子科技大学 基于同态ou密码的外包分类器加解密方法
US20200126174A1 (en) * 2018-08-10 2020-04-23 Rapidsos, Inc. Social media analytics for emergency management
CN110011784B (zh) 2019-04-04 2021-06-08 东北大学 支持隐私保护的knn分类服务系统及方法
CN110222527A (zh) 2019-05-22 2019-09-10 暨南大学 一种隐私保护方法

Also Published As

Publication number Publication date
EP4059181A1 (en) 2022-09-21
CN114731267A (zh) 2022-07-08
US20210150266A1 (en) 2021-05-20
JP2023501119A (ja) 2023-01-18
WO2021094050A1 (en) 2021-05-20
US12212651B2 (en) 2025-01-28

Similar Documents

Publication Publication Date Title
JP7843699B2 (ja) 暗号化データのブースティング・プロトコルの可能化
JP7698384B2 (ja) 準同型暗号化データの安全な再暗号化
JP2016512612A (ja) 部分的準同型暗号およびマスクを用いたプライバシー保護リッジ回帰
Joye et al. Private yet efficient decision tree evaluation
Folkerts et al. Redsec: Running encrypted discretized neural networks in seconds
JP7388445B2 (ja) ニューラルネットワークの更新方法、端末装置、計算装置及びプログラム
WO2022142837A1 (en) Hybrid key derivation to secure data
WO2018210895A1 (en) Post-quantum secure private stream aggregation
CN112865953B (zh) 基于辅助服务器的安全多方计算方法、装置和系统
Sana et al. Enhanced security in cloud computing using neural network and encryption
KR102323549B1 (ko) 차등적 프라이버시를 갖는 불확정 액세스
JP2023523392A (ja) 準同型暗号化データに関するデシジョン・ツリー・ベースの推論
WO2015155896A1 (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
US12388622B2 (en) Masking ciphertexts using random elements for secure decryption
US9755832B2 (en) Password-authenticated public key encryption and decryption
JP6556955B2 (ja) 通信端末、サーバ装置、プログラム
WO2020071187A1 (ja) 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
Bellafqira et al. Secure multilayer perceptron based on homomorphic encryption
Takabi et al. Privacy preserving neural network inference on encrypted data with GPUs
Selvakumar et al. A privacy preserving machine learning framework for medical image analysis using quantized fully connected neural networks with TFHE based inference: S. Selvakumar, S. B
US12113890B2 (en) Homomorphic encryption using smart contracts
CN112000978B (zh) 隐私数据的输出方法、数据处理系统及存储介质
Gao et al. A privacy-preserving multi-user retrieval system for multimodal artificial intelligence
CN115409096A (zh) 两方泊松回归隐私计算模型训练方法、装置和存储介质
Raj et al. Enhancing Privacy in Deep Neural Networks: Techniques and Application

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220518

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20220518

RD16 Notification of change of power of sub attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7436

Effective date: 20220425

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230324

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240514

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240801

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20241105

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20250220

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20260204

RD14 Notification of resignation of power of sub attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7434

Effective date: 20260317

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20260331

R150 Certificate of patent or registration of utility model

Ref document number: 7843699

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150