Realization of Practical Secure Deep Learning

IPSJ

Bibliographic Information

Other Title
  • 実用的な秘密計算ディープラーニングの実現

Description

本稿では，データを暗号化したまま処理しながらも実用的な性能を持つ，秘密計算ディープラーニングの実現を目指す．ディープラーニングは最も有望な AI 手法で，難しい分析や予測が可能になると期待される一方，AI 分析で個人データ等を用いることに対して，使う側・使われる側ともに不安やリスクも感じている．秘密計算ディープラーニングは，こうした不安やリスクを秘密計算によって低減することで，これまでより活発な AI 利活用の足掛かりになると考えられる．しかし従来の秘密計算ディープラーニングでは (1) 処理速度 (2) モデル・分析の自由さ (3) 大規模データでの実用性といった点で課題を抱えている．本稿ではそれらの課題に取り組み (1) 784属性 × 6 万件を 5 分で処理，予測精度 95.64% を達成 (2) 既存より深いネットワーク・回帰分析への対応 (3) 100属性 × 1000 万件を 2 時間で処理，という結果を示した．

In this paper, we aim at the realization of practical secure deep learning that can process data with encryption. Deep learning is the most promising AI method, and it is expected to enable difficult analysis and prediction. However, both data users and data owners feel anxiety and risk about using personal data in AI analysis. Secure deep learning provides a foothold for more active use of AI by reducing such anxiety and risk through secure computation. However, there are 3 issues with secure deep learning in previous research, (1) Processing speed (2) Ability to select model or/and analysis methods (3) Practicality when learning with large-scale data. In this paper, we addressed these issues and presented the following results. (1) Processing 784x60,000 in 5 minutes, achieving a prediction accuracy of 95.64 % (2) Realization of deeper networks and regression analysis (3) Processing 100x10 million in 2 hours.

Journal

Keywords

Details 詳細情報について

Report a problem

Back to top