JPWO2020145113A1 - 予測モデル変換方法及びシステム - Google Patents
予測モデル変換方法及びシステム Download PDFInfo
- Publication number
- JPWO2020145113A1 JPWO2020145113A1 JP2020565682A JP2020565682A JPWO2020145113A1 JP WO2020145113 A1 JPWO2020145113 A1 JP WO2020145113A1 JP 2020565682 A JP2020565682 A JP 2020565682A JP 2020565682 A JP2020565682 A JP 2020565682A JP WO2020145113 A1 JPWO2020145113 A1 JP WO2020145113A1
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- processing
- prediction model
- predictive model
- homogenization
- 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
Images
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
- H04L9/08—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
- H04L9/0819—Key transport or distribution, i.e. key establishment techniques where one party creates or otherwise obtains a secret value, and securely transfers it to the other(s)
- H04L9/0825—Key transport or distribution, i.e. key establishment techniques where one party creates or otherwise obtains a secret value, and securely transfers it to the other(s) using asymmetric-key encryption or public key infrastructure [PKI], e.g. key signature or public key certificates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09C—CIPHERING OR DECIPHERING APPARATUS FOR CRYPTOGRAPHIC OR OTHER PURPOSES INVOLVING THE NEED FOR SECRECY
- G09C1/00—Apparatus or methods whereby a given sequence of signs, e.g. an intelligible text, is transformed into an unintelligible sequence of signs by transposing the signs or groups of signs or by replacing them by others according to a predetermined system
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0407—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the identity of one or more communicating identities is hidden
- H04L63/0421—Anonymous communication, i.e. the party's identifiers are hidden from the other party or parties, e.g. using an anonymizer
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- 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
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Storage Device Security (AREA)
Abstract
Description
近年、様々な企業がニューラルネットワークを利用したサービスを提供している。ニューラルネットワークを用いたサービスの例として、アップロードされた画像から被写体の種別を識別するサービス、ユーザの購買履歴をもとにそのユーザが好むと思われる商品を推薦するサービス、又は、ユーザの生体情報(例えば、脈拍、血糖値、又は、体温等)からユーザの健康状態若しくは心的状態を予測してユーザにフィードバックするサービス等が挙げられる。
以下、本実施の形態に係る予測モデル変換方法及び予測モデル変換システムについて図面を用いて説明する。
まず、予測モデル変換システムの概要について説明する。図1は、実施の形態に係る予測モデル変換システム400の全体構成の一例を示す図である。
続いて、本実施の形態に係る予測モデル変換システム400の構成について図1〜図4を参照しながら説明する。図2は、実施の形態におけるデータ提供装置100の構成の一例を示す図である。図3は、実施の形態におけるユーザ端末装置200の構成の一例を示す図である。図4は、実施の形態におけるデータ演算装置300の構成の一例を示す図である。
以下、データ提供装置100について図1及び図2を参照しながら説明する。
学習データ格納部101は、入力を秘匿のまま予測処理を行うために必要な予測モデルを作成するための学習データを格納する。学習データは、ユーザ端末装置200の特徴量算出部202(図3参照)で算出される特徴量と同じ性質のデータと、当該特徴量と同じ性質のデータに対応する正解データと、の組である。本実施の形態では、学習データは、例えば、複数の患者に関するデータであって、各患者のバイタルデータから算出された特徴量と、当該特徴量に対応する正解データである当該各患者の病名と、の組である。
学習部102は、例えば、BNNであり、学習データ格納部101に格納された学習データに対して、あらかじめ定められた方法により学習処理を行うことにより、予測モデルを作成する。学習処理については、例えば、非特許文献4(Matthieu Courbariaux,外4名,“Binarized Neural Networks: Training Deep Neural Networks with Weights and Activations Constrained to +1 or -1”,(https://arxiv.org/abs/1602.02830))に示された方法を用いる。図5は、本実施の形態における予測モデルの一例を示す図である。なお、予測モデルについては、後述するため、ここでの説明を省略する。
予測モデル格納部103は、学習部102で作成した予測モデルを格納する。
予測モデル変換部104は、学習部102の学習処理によって得られた予測モデルを変換する。ここでは、予測モデル変換部104は、予測モデル格納部103に格納された予測モデルに対して変換処理を行う。なお、予測モデルは、例えば、予測処理で使用されるパラメータ、式、及び、重み付け行列などを含む。予測処理は、データ演算装置300、310、320の予測演算部302で実行される。本実施の形態では、予測演算部302は、BNNである。以下、予測モデルについて図面を参照しながらより具体的に説明する。
予測モデル分散部105は、予測モデル暗号化部の一例である。予測モデル分散部105は、予測モデル変換部104により作成された変換予測モデルを、あらかじめ定められた方法により分散して秘匿する。例えば、予測モデル分散部105は、変換された予測モデル(いわゆる、変換予測モデル)を、秘密分散法により分散することにより予測モデルを暗号化し、予測モデルの分散において、非線形処理を含む処理(いわゆる、均一化+非線形処理)を行うためのパラメータを分散する。
通信部106は、データ演算装置300、310、320と通信を行う。通信部106は、予測モデル分散部105で作成された分散化予測モデル(いわゆる、暗号化予測モデル)を複数のデータ演算装置300、310、320に送信する。
図3は、ユーザ端末装置200の構成の一例を示す図である。ユーザ端末装置200は、センシング部201と、特徴量算出部202と、特徴量分散部203と、復号部204と、予測結果利用部205と、通信部206と、を備える。ユーザ端末装置200は、例えば、プロセッサ(マイクロプロセッサ)、メモリ、センサ、及び、通信インタフェース等を備えるコンピュータ又は携帯端末に実装される。
センシング部201は、ユーザについての情報(ユーザ情報)をセンシングするためのセンサである測定装置を、1つ以上含んで構成される。
特徴量算出部202は、センシング部201で取得したユーザのプライバシデータから特徴量を算出する。特徴量算出部202が算出する特徴量は、複数の成分を含むベクトルで表され得る。
特徴量分散部203は、特徴量算出部202により算出された特徴量を、あらかじめ定められた方法により分散して秘匿する。特徴量分散部203では、データ演算装置300、310、320において特徴量を分散された状態のまま(つまり、秘匿状態のまま)使用して予測処理を行うことが可能な方法、例えば、Shamir(2,3)閾値秘密分散法(非特許文献5)を用いて特徴量を分散させることにより、分散された特徴量(以下、分散化特徴量ともいう)を作成する。
復号部204は、ユーザ端末装置200がデータ演算装置300、310、320に送信した分散された特徴量に対応する予測結果を、データ演算装置300、310、320からそれぞれ受信して復号する。これらの予測結果は、秘密分散法により分散された特徴量及び予測モデルを分散された状態のまま使用して得られた結果であり、いわゆる暗号化された予測結果である。これらの予測結果の復号方法については、例えば、非特許文献5、非特許文献6、及び、非特許文献7のいずれかの方法を用いてもよい。
予測結果利用部205は、復号部204で復号された予測結果を利用する。予測結果の利用の一例としては、予測結果をユーザへ提示すること、つまり、予測結果の提示である。予測結果の提示は、例えば、画像であってもよく、音声であってもよい。予測結果の提示が画像である場合、当該提示は、例えば、予測結果に基づくグラフ、又は、統計情報等の形式で表示される。また、予測結果の提示が音声である場合、当該提示は、例えば、予測結果に基づく音声で出力される。なお、予測結果の提示は、画像及び音声であってもよい。この場合、ユーザ端末装置200は、例えば画像を表示するディスプレイ、音声を出力するスピーカーなどの音声出力装置、及び、その他のユーザインタフェースを含んで実装され、予測結果を提示してもよい。
通信部206は、複数のデータ演算装置300、310、320と通信を行う。通信部206は、特徴量分散部203で作成された分散された特徴量をそれぞれデータ演算装置300、310、320に送信する。以下の[1.4データ演算装置]の項にて詳細に説明するが、複数のデータ演算装置300、310、320は、これらの分散化特徴量を受信することをトリガーとし、これらの分散化特徴量を秘匿された状態のまま使用して、予測処理を実行する。また、通信部106は、データ演算装置300、310、320がそれぞれ計算した予測結果を受信し、復号部204に送信する。なお、これらの予測結果は、上述の通り、暗号化された予測結果である。
続いて、データ演算装置について説明する。図1に示されるように、データ演算装置300、310、320は、例えば、クラウドサーバである。予測モデル変換システム400では、データ演算装置300は、2つ以上備えられていればよい。本実施の形態では、3つのデータ演算装置300、310、320はそれぞれ、互いに通信を行うことで、データを秘匿したまま予測結果を計算し、暗号化された予測結果をユーザ端末装置200へ送信する。より具体的には、データ演算装置300、310、320では、分散化予測モデルに分散化特徴量を入力して、分散化予測モデルで予測処理を実行する。以下、本実施の形態におけるデータ演算装置300、310、320についてより具体的に説明する。
分散化予測モデル格納部301は、データ提供装置100から受信した分散された予測モデル(いわゆる、分散化予測モデル)を格納する。
予測演算部302は、分散化予測モデル格納部301に格納されている分散化予測モデルと、ユーザ端末装置200から受信した分散化特徴量とを用いて、予測処理を行う。予測演算部302では、分散化予測モデルと分散化特徴量とを分散された状態のまま(つまり、秘匿された状態のまま)使用して予測処理を行い、分散化予測結果を求める。なお、分散化予測結果は、暗号化された予測結果である。
データ演算装置300の通信部303は、データ提供装置100、ユーザ端末装置200、及び、他のデータ演算装置310、320と通信を行う。通信部303は、データ提供装置100から分散化予測モデルを受信し、受信した分散化予測モデルを分散化予測モデル格納部301に格納する。通信部303は、ユーザ端末装置200から分散化特徴量を受信し、受信した分散化特徴量を予測演算部302へ送信する。また、通信部303は、予測演算部302で算出された分散化予測結果をユーザ端末装置200に送信する。
続いて、本実施の形態に係る予測モデル変換方法の一例について説明する。図15は、本実施の形態に係る予測モデル変換方法の一例を示すフローチャートである。
続いて、予測モデル変換システム400の動作の一例について説明する。予測モデル変換システム400の動作は、(i)データ提供装置100が予測モデルを学習して分散する学習フェーズと、(ii)複数のデータ演算装置300、310、320が分散された予測モデル(いわゆる、分散化予測モデル)を利用して分散された特徴量(いわゆる、分散化特徴量)の予測を行う予測フェーズと、を含む。
まず、予測モデル変換システム400の学習フェーズの動作について説明する。図16Aは、本実施の形態に係る予測モデル変換システム400の学習フェーズの動作の一例を示すシーケンス図である。
続いて、予測モデル変換システム400の予測フェーズについて説明する。図16Bは、本実施の形態に係る予測モデル変換システム400の予測フェーズにおけるユーザ端末装置200の動作の一例を示す第1シーケンス図である。図16Cは、本実施の形態に係る予測モデル変換システム400の予測フェーズにおけるユーザ端末装置200の動作の一例を示す第2シーケンス図である。
以下、予測モデル変換システム400の予測処理ステップS205について、より具体的に説明する。図16Dは、図16BのステップS205の一例を示すシーケンス図である。
以上、本開示に係る予測モデル変換方法、及び、予測モデル変換システムについて、実施の形態に基づいて説明したが、本開示は、上記の実施の形態に限定されるものではない。本開示の主旨を逸脱しない限り、当業者が思いつく各種変形を実施の形態に施したものや、実施の形態における一部の構成要素を組み合わせて構築される別の形態も、本開示の範囲に含まれる。例えば、以下のような場合も本開示に含まれる。
101 学習データ格納部
102 学習部
103 予測モデル格納部
104 予測モデル変換部
105 予測モデル分散部
106、206、303 通信部
200 ユーザ端末装置
201 センシング部
202 特徴量算出部
203 特徴量分散部
204 復号部
205 予測結果利用部
300、310、320 データ演算装置
301 分散化予測モデル格納部
302 予測演算部
400 予測モデル変換システム
Claims (13)
- ニューラルネットワークである予測モデルに含まれる、均一化処理を行うための少なくとも1つのパラメータを、非線形処理を含む処理を行うための少なくとも1つのパラメータに変換することにより、前記予測モデルを変換する予測モデル変換ステップと、
変換された前記予測モデルを暗号化することにより、秘匿状態の入力を秘匿としたまま予測処理が行われる暗号化予測モデルを生成する予測モデル暗号化ステップと、
を含む、
予測モデル変換方法。 - 前記均一化処理を行うための少なくとも1つのパラメータは、複数のパラメータであり、
前記非線形処理を含む処理を行うための少なくとも1つのパラメータは、1つのパラメータであり、
前記予測モデル変換ステップでは、前記均一化処理を行うための複数のパラメータを、前記非線形処理を含む処理を行うための1つのパラメータに変換する、
請求項1に記載の予測モデル変換方法。 - 前記予測モデル暗号化ステップでは、
変換された前記予測モデルを、秘密分散法により分散することにより予測モデルを暗号化し、
前記予測モデルの分散において、前記非線形処理を含む処理を行うためのパラメータを分散する、
請求項1〜4のいずれか一項に記載の予測モデル変換方法。 - 前記予測モデル変換方法は、さらに、前記予測モデルの要素が取り得る値よりも大きな範囲で、前記秘密分散法で用いる除数を決定する除数決定ステップを含む、
請求項5に記載の予測モデル変換方法。 - 前記予測モデルは、それぞれが−1又は1の二値で構成される複数のパラメータを含む二値化ニューラルネットワークである、
請求項1〜6のいずれか一項に記載の予測モデル変換方法。 - 前記予測モデル変換方法は、さらに、事前に収集した学習用のデータを用いて、前記予測モデルの学習処理を行う学習ステップを含み、
前記予測モデル変換ステップでは、前記学習処理によって前記均一化処理を行うための少なくとも1つのパラメータとして得られたパラメータを変換する、
請求項1〜7のいずれか一項に記載の予測モデル変換方法。 - 前記予測モデル変換ステップでは、前記予測モデルに含まれる複数のパラメータのうちの負の数値に対し、秘密分散法で用いる除数を加算することにより、前記負の数値を正の数値に変換する、
請求項5〜8のいずれか一項に記載の予測モデル変換方法。 - 前記予測モデル変換ステップでは、前記予測モデルに含まれる複数のパラメータのうち数値を、前記数値の符号を0又は1で示す符号部と、前記数値の絶対値を示す数値部との組に変換することにより、負の数値を正の数値に変換する、
請求項1〜8のいずれか一項に記載の予測モデル変換方法。 - 前記予測モデル変換方法は、さらに、
センシングによって得られたデータから特徴量を算出する特徴量算出ステップと、
算出された前記特徴量を秘密分散法により分散する特徴量分散化ステップと、
を含む、
請求項5〜10のいずれか一項に記載の予測モデル変換方法。 - 前記予測モデル変換方法は、さらに、分散された前記予測モデルに、分散された前記特徴量を入力して、分散された前記予測モデルで予測処理を実行する予測処理ステップを含み、
前記予測処理ステップは、前記非線形処理を含み、
前記非線形処理は、前記非線形処理に対する入力が0又は正に対応する数値であれば1に、前記入力が負に対応する数値であれば−1に対応する正の数値に変換する処理である、
請求項11に記載の予測モデル変換方法。 - ニューラルネットワークである予測モデルに含まれる、均一化処理を行うための少なくとも1つのパラメータを、非線形処理を含む処理を行うための少なくとも1つのパラメータに変換することにより、前記予測モデルを変換する予測モデル変換部と、
変換された前記予測モデルを暗号化することにより、秘匿状態の入力を秘匿としたまま予測処理が行われる暗号化予測モデルを生成する予測モデル暗号化部と、
を備える、
予測モデル変換システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019003238 | 2019-01-11 | ||
JP2019003238 | 2019-01-11 | ||
PCT/JP2019/050376 WO2020145113A1 (ja) | 2019-01-11 | 2019-12-23 | 予測モデル変換方法及びシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020145113A1 true JPWO2020145113A1 (ja) | 2021-11-18 |
JP7368386B2 JP7368386B2 (ja) | 2023-10-24 |
Family
ID=71521484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020565682A Active JP7368386B2 (ja) | 2019-01-11 | 2019-12-23 | 予測モデル変換方法及びシステム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210279581A1 (ja) |
EP (1) | EP3910615A4 (ja) |
JP (1) | JP7368386B2 (ja) |
WO (1) | WO2020145113A1 (ja) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6008316B2 (ja) * | 2012-08-24 | 2016-10-19 | パナソニックIpマネジメント株式会社 | 秘密分散装置および秘密分散プログラム |
JP6926429B2 (ja) * | 2016-09-27 | 2021-08-25 | 日本電気株式会社 | データ処理装置、データ処理方法、およびプログラム |
US10649919B2 (en) * | 2017-01-16 | 2020-05-12 | Panasonic Intellectual Property Corporation Of America | Information processing method and information processing system |
EP3958158B1 (en) * | 2017-03-22 | 2023-04-26 | Visa International Service Association | Privacy-preserving machine learning |
JP6923159B2 (ja) * | 2017-09-26 | 2021-08-18 | 株式会社エクォス・リサーチ | 情報処理装置 |
US11436471B2 (en) * | 2017-10-13 | 2022-09-06 | Panasonic Intellectual Property Corporation Of America | Prediction model sharing method and prediction model sharing system |
-
2019
- 2019-12-23 WO PCT/JP2019/050376 patent/WO2020145113A1/ja unknown
- 2019-12-23 EP EP19908197.7A patent/EP3910615A4/en active Pending
- 2019-12-23 JP JP2020565682A patent/JP7368386B2/ja active Active
-
2021
- 2021-05-12 US US17/318,513 patent/US20210279581A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP7368386B2 (ja) | 2023-10-24 |
US20210279581A1 (en) | 2021-09-09 |
EP3910615A4 (en) | 2022-02-23 |
WO2020145113A1 (ja) | 2020-07-16 |
EP3910615A1 (en) | 2021-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7300253B2 (ja) | 予測モデル分散方法および予測モデル分散システム | |
Alabdulatif et al. | Secure edge of things for smart healthcare surveillance framework | |
Bos et al. | Private predictive analysis on encrypted medical data | |
Ahmad et al. | Health fog: a novel framework for health and wellness applications | |
US10296709B2 (en) | Privacy-preserving genomic prediction | |
US11923070B2 (en) | Automated visual reporting technique for medical imaging processing system | |
KR20220113714A (ko) | 분할 데이터 및 분할 알고리즘에 대한 효율적인 계산을 위한 시스템 및 방법 | |
CN112217663B (zh) | 一种轻量型卷积神经网络安全预测方法 | |
US7747491B2 (en) | Anonymous information system, information registering device and information storing device | |
Sammeta et al. | Hyperledger blockchain enabled secure medical record management with deep learning-based diagnosis model | |
Paul et al. | Privacy-preserving collective learning with homomorphic encryption | |
Guo et al. | A privacy-preserving online medical prediagnosis scheme for cloud environment | |
JP2019095635A (ja) | 処理装置、推論装置、学習装置、処理システム、処理方法、及び処理プログラム | |
CN113468556A (zh) | 完全策略隐藏的数据访问控制方法及其相关设备 | |
Chao et al. | CaRENets: Compact and resource-efficient CNN for homomorphic inference on encrypted medical images | |
WO2020240167A1 (en) | Methods for enabling secured and personalised genomic sequence analysis | |
Selvi et al. | Medical image encryption and compression by adaptive sigma filterized synorr certificateless signcryptive Levenshtein entropy-coding-based deep neural learning | |
Georgieva-Tsaneva et al. | Mathematically Based Assessment of the Accuracy of Protection of Cardiac Data Realized with the Help of Cryptography and Steganography | |
JP7368386B2 (ja) | 予測モデル変換方法及びシステム | |
Gong et al. | Privacy-preserving collaborative learning for mobile health monitoring | |
CN113470810B (zh) | 一种保护患者隐私和数据泄漏的在线诊断系统及方法 | |
Singh et al. | A novel privacy preservation mechanism for wireless medical sensor networks | |
Wang et al. | pCOVID: A Privacy-Preserving COVID-19 Inference Framework | |
Kumar et al. | Golden Search Optimization based adaptive and diagonal kernel convolution neural network for disease prediction and securing IoT data in cloud | |
CN113517065A (zh) | 医疗数据隐私保护的云辅助决策树模型诊断系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210513 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221007 |
|
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: 20230926 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231012 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7368386 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |