Secure edge AI machine learning that works with small amounts of data

点击翻译按钮获取中文摘要

近年、AI機械学習は急速に進歩し、画像処理、自然言語処理などさまざま分野へ応用が進んでいる。これらの実装においては機器の保守にかかる手間の少なさや計算コストの利点から、エッジ・クラウドの利用が拡大している。しかし、エッジ・クラウドの利用はサービス提供者の信頼性を前提にしており、その信頼性欠如や事故によるデータの不正利用や流出によって、プライバシー侵害の問題が危惧されている。本研究では、プライバシー情報を保護しつつ 1） 少量データでの学習、２）低い演算量、３）説明可能なAI、といった特徴を持つエッジAI 機械学習の提案を目的としている。初年度はプライバシー保護を考慮したエッジAI 機械学習として、１）秘匿スパースモデリングの収束性能向上、２）入出力信号の秘匿化に対応した秘匿ガウス過程回帰について検討を進めた。秘匿スパースモデリングでは、近年注目されている深層展開と呼ばれる手法を導入することで、観測信号を秘匿した場合でも高い収束特性を実現した。秘匿しない場合と比較して理論的に収束性能が劣化しないことを証明し、人工生成データに対するシミュレーションにより有効性を検証した。秘匿ガウス過程回帰については、観測信号を秘匿するだけでなく、予測結果の秘匿も可能なモデルを新しく提案した。糖尿病の臨床データを対象としたシミュレーションにより有効性を検証した。本成果は、信号処理分野のフラッグシップ国際会議IEEE ICASSPへ採録となり発表を行った。さらにガウス過程の教師なし機械学習モデルであるガウス過程潜在変数モデルの秘匿演算の検討を進めた。以上の研究結果に際して、上記の国際会議を含め４件の対外発表を達成した。それ以外に、研究課題に関連して２件の招待講演を行い、１件の解説記事を執筆した。