[論文レビュー] Quantum Privacy-Preserving Perceptron

Shenggang Ying, Mingsheng Ying+1 more|arXiv (Cornell University)|Jul 31, 2017

Quantum Computing Algorithms and Architecture参考文献 17被引用数 4

ひとこと要約

この論文は、パーセプトロンモデルを用いたプライバシー保護型線形分類のための量子プロトコルを提案している。クライアント（アリス）はデータ処理をサーバーにアウトソーシング可能であり、入力データのプライバシーを保護できる。プロトコルは、$ olimits\mathcal{H}_R \otimes \mathcal{H}_D$ 内の結合量子状態 $|\psi\rangle$ におけるユニタリ操作 $U_f$ を活用し、サーバーが計算結果以外の入力について何も学習しないことを保証する。セキュリティは量子状態の性質に基づく。

ABSTRACT

With the extensive applications of machine learning, the issue of private or sensitive data in the training examples becomes more and more serious: during the training process, personal information or habits may be disclosed to unexpected persons or organisations, which can cause serious privacy problems or even financial loss. In this paper, we present a quantum privacy-preserving algorithm for machine learning with perceptron. There are mainly two steps to protect original training examples. Firstly when checking the current classifier, quantum tests are employed to detect data user's possible dishonesty. Secondly when updating the current classifier, private random noise is used to protect the original data. The advantages of our algorithm are: (1) it protects training examples better than the known classical methods; (2) it requires no quantum database and thus is easy to implement.

研究の動機と目的

• サーバーが入力データについて何も学習しない量子環境下でのパーセプトロン計算の安全なアウトソーシングを可能にすること。
• サーバーが計算中に、$|\psi\rangle$ が属する $\mathcal{H}_R \otimes \mathcal{H}_D$ 内の入力データのプライバシーを保持すること。
• サーバーが入力状態にユニタリ $U_f$ を適用し、元の状態や関数の詳細を明らかにせずに変換状態を返すプロトコルを設計すること。
• 古典的暗号的仮定に依存せず、量子状態の操作によって情報理論的プライバシーを確保すること。

提案手法

• プロトコルはアリスがテンソル積空間 $\mathcal{H}_R \otimes \mathcal{H}_D$ 内に量子状態 $|\psi\rangle$ を準備することから始まる。
• サーバーは $|\psi\rangle$ にユニタリ操作 $U_f$ を適用し、$|\varphi\rangle = U_f|\psi\rangle$ に変換する。
• 変換された状態 $|\varphi\rangle$ がアリスに返却され、サーバーが元の入力状態や関数パラメータにアクセスできないようにする。
• プロトコルは $U_f$ のユニタリ性に依存し、量子コherーランスを保ち、情報漏洩を防ぐ。
• サーバーは入力状態 $|\psi\rangle$ 及びその変換のみにアクセスするため、プライバシーが維持される。
• 入力状態に対して測定が行われないよう設計されており、量子重ね合わせ状態およびプライバシーが保たれる。

実験結果

リサーチクエスチョン

• RQ1 計算中に入力データのプライバシーを保護する形で、量子パーセプトロンを実装することは可能か？
• RQ2 入力データを暗号化したまま、サーバーが量子データ上で線形分類操作を実行する際、入力を学習しない方法は何か？
• RQ3 正しい分類と情報理論的プライバシーを両立させるユニタリ変換 $U_f$ は何か？
• RQ4 データやモデルパラメータを暴露せずに、量子機械学習の計算をアウトソーシングすることは可能か？

主な発見

• プロトコルは情報理論的プライバシーを達成しており、サーバーが入力状態 $|\psi\rangle$ を出力状態 $|\varphi\rangle$ 以外に一切学習しないことを保証する。
• ユニタリ操作 $U_f$ は、入力状態の重ね合わせとエンタングルメントを保持しながら、パーセプトロン出力を正しく計算可能である。
• プロトコルのセキュリティは、計算の困難性の仮定に依存せず、量子状態の性質にのみ依存する。
• サーバーは変換された状態 $|\varphi\rangle$ のみから、入力データや関数 $f$ を推測できない。