[論文レビュー] Secure Two-Party Feature Selection

Vanishree Rao, Yunhui Long+4 more|arXiv (Cornell University)|Jan 3, 2019

Privacy-Preserving Technologies in Data参考文献 24被引用数 6

ひとこと要約

本稿では、2名の参加者が機密データを露呈させずに特徴選択のカイ二乗統計量を計算できる、証明可能に安全な4ラウンドプロトコルを提案する。パリエ暗号を用いることで、データ提供者とデータ取得者が分類のための特徴の有用性を評価しつつ、誠実だが好奇心の強いモデルにおけるプライバシーを保持する。最終的なカイ二乗値は、安全な計算後、唯一取得者にのみ公開される。

ABSTRACT

In this work, we study how to securely evaluate the value of trading data without requiring a trusted third party. We focus on the important machine learning task of classification. This leads us to propose a provably secure four-round protocol that computes the value of the data to be traded without revealing the data to the potential acquirer. The theoretical results demonstrate a number of important properties of the proposed protocol. In particular, we prove the security of the proposed protocol in the honest-but-curious adversary model.

研究の動機と目的

• 潜在的な購入者に機密データを露呈させずに、分類のためのデータ有用性を安全に評価すること。
• データ取引における公正な市場価値を決定する課題に取り組み、プライバシーを保持するとともに情報漏洩を防ぐこと。
• データ提供者と取得者が、生データを公開せずに特徴が分類性能を向上させるかどうかを評価できること。
• 同型暗号を用いてプライバシーを守りながら特徴選択のためのカイ二乗統計量を計算するプロトコルを設計すること。
• 誠実だが好奇心の強い攻撃者モデル下でセキュリティを保証し、両当事者の入力を不正に漏洩させないこと。

提案手法

• プロトコルはパリエ同型暗号を用いて暗号化されたデータ上で安全な計算を実行し、連関表のカウントを集計するプライバシー保護型処理を可能にする。
• カール（取得者）は自身のラベルを暗号化し、フェリックス（提供者）に送信する。フェリックスは、自身の特徴ベクトルと暗号化されたラベルに基づいて暗号化された和を計算する。
• フェリックスは、ランダム化要因を用いて中間結果を隠すために、暗号化された値上でスカラー乗算と加算の同型演算を実行する。
• カールは中間結果を復号し、カイ二乗成分を含む暗号化式を再計算してフェリックスに送り返す。
• フェリックスは同型演算を用いてランダム化要因をキャンセルし、カイ二乗式の分解を用いて暗号化されたカイ二乗統計量を再構築する。
• 最終的な暗号化されたカイ二乗値はカールに送られ、彼はこれを復号して有用性指標を取得する。

実験結果

リサーチクエスチョン

• RQ1 2名の参加者が、私的データを露呈させずにカイ二乗統計量を安全に計算できるか？
• RQ2 データ提供者と取得者が、プライバシーを保持したまま分類のための特徴の有用性をどのように評価できるか？
• RQ3 誠実だが好奇心の強いモデル下で、2者間設定においてセキュリティを保証する暗号技術は何か？
• RQ4 同型暗号を用いて生データを露呈させずに統計的有用性指標を計算できるか？
• RQ5 ランダム化と同型演算をどのように組み合わせれば、中間値の漏洩を防げるか？

主な発見

• 本プロトコルは、4ラウンドの通信を経て、プライバシー保護型でカイ二乗統計量を特徴選択に適用して正しく計算できた。
• 本プロトコルは誠実だが好奇心の強いモデルで証明可能に安全であり、参加者全員が最終的なカイ二乗値以外の情報を得ることはない。
• パリエ同型暗号の使用により、同型加算とスカラー乗算が可能となり、暗号化された連関表カウント上で安全な計算が実現できる。
• 本プロトコルは、取得者にのみ最終的なカイ二乗値が公開される一方、提供者のデータと取得者のラベルは機密性を保たれる。
• 本プロトコルは、データ共有の前段階でデータ有用性を安全に評価でき、データ取引の公正な市場評価を可能にする。
• 本手法は、データが複数の参加者に分散するIoTや共同分析の環境において、安全なデータ取引を実現できる。