個人の選好と報酬配分を考慮したパーソナルデータの健全で頑健な流通系構築に向けて

点击翻译按钮获取中文摘要

個人のパーソナルデータを，信頼できない機械学習モデルブローカーからプライバシー保護する市場機構を提案した．多数の個人からパーソナルデータを収集し機械学習によるデータ分析を行う場合，既存研究では機械学習を行うブローカーがデータ所有者のプライベートな学習データにアクセスできることを前提としており，現実的でない場合がある．本研究では，機械学習タスクのための信頼できるデータ取得を促進するために，信頼できないブローカーからプライバシーを保護する局所的プライベートモデル市場機構を提案した．この市場機構では，データ所有者が局所的な差分プライバシにより局所的に勾配を変化させることを可能にし，プライバシー漏洩リスクを低減させることができる．この市場機構を推進するために，局所的勾配の摂動レベルを決定するための深層学習を活用したオークション機構と摂動された勾配を集約するための最適な集約機構を提案した．この研究成果は，国際会議IEEE BigData2022で発表した．さらに，比較的大量のデータを保有する複数のサーバが協調して機械学習を行い予測モデルを構築するクロスサイロ連合学習において各サーバの貢献度を評価する指標としてシャプレー値を計算する場合に，各サーバのパーソナルデータを安全に保護するプロトコルを提案した．本研究では，クロスサイロ連合学習における安全なシャープレー値算出のための効率的な2サーバプロトコルであるSecSVを提案した．この研究成果は，国際学術雑誌PVLDBに掲載された．