Efficient Secure Multi-Party Computation Framework for Privacy-Preserving Machine Learning

本研究課題では、プライバシ保護機能付き機械学習(PPML)に向けた効率的なマルチパーティ計算(MPC)の構築を目指す。従来の方式では結託攻撃に対して耐性のある方式は汎用的なMPCを用いており、プライバシ保護機能付き機械学習に適応する際には計算処理量が多くなる問題点があった。本提案では、通常の計算環境を持つデータ提供者が、計算資源が豊富な計算サーバとサービス提供者に対して委託計算を行うヘテロジニアスなMPCを構成する。特に、高速実装可能となる2者結託攻撃に対して安全な3者計算を基本構成単位とするプロトコルにより計算の効率化を目指している。また、機械学習で使用されるデータは高次元かつ疎であるが、既存のプライバシ保護機能付き機械学習ではスパース性を考慮されていない問題点があった。本研究は、データの疎性を利用した安全な行列乗算プロトコルを考察する。特に、紛失通信による鍵保存と等価回路テストを組み合わせることにより、非零データの要素を取得するプロトコルを提案する。提案方式により、取得した非零データの情報を用いることにより、入力データの次元に依存しない行列計算が可能となる。さらに、マルチパーティ計算において能動的な攻撃者に対する個人識別性に関する考察を行う。Barreto-Libert-McCullagh-Quisquater署名を分散型に拡張して、鍵生成における結託攻撃およびDoS攻撃に対して耐性のある方式を構成して、適応的選択平文攻撃に対して存在的偽造が不可能な分散署名の実現を目標とする。

本研究課題では、プライバシ保護機能付き機械学習(PPML)に向けた効率的なマルチパーティ計算(MPC)の構築を目指す。従来の方式では結託攻撃に対して耐性のある方式は汎用的なMPCを用いており、プライバシ保護機能付き機械学習に適応する際には計算処理量が多くなる問題点があった。本提案では、通常の計算環境を持つデータ提供者が、計算資源が豊富な計算サーバとサービス提供者に対して委託計算を行うヘテロジニアスなMPCを構成する。特に、高速実装可能となる2者結託攻撃に対して安全な3者計算を基本構成単位とするプロトコルにより計算の効率化を目指している。また、機械学習で使用されるデータは高次元かつ疎であるが、既存のプライバシ保護機能付き機械学習ではスパース性を考慮されていない問題点があった。本研究は、データの疎性を利用した安全な行列乗算プロトコルを考察する。特に、紛失通信による鍵保存と等価回路テストを組み合わせることにより、非零データの要素を取得するプロトコルを提案する。提案方式により、取得した非零データの情報を用いることにより、入力データの次元に依存しない行列計算が可能となる。さらに、マルチパーティ計算において能動的な攻撃者に対する個人識別性に関する考察を行う。Barreto-Libert-McCullagh-Quisquater署名を分散型に拡張して、鍵生成における結託攻撃およびDoS攻撃に対して耐性のある方式を構成して、適応的選択平文攻撃に対して存在的偽造が不可能な分散署名の実現を目標とする。