R&D of Machine Learning Mechanism for Privacy Preserving Data Mining over Different Industries

右

基本信息

批准号：
20K11826
负责人：
王立華
金额：
$ 2.66万
依托单位：
National Institute of Information and Communications Technology
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2020
资助国家：
日本
起止时间：
2020-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

プライバシー保護機械学習のための最先端の技術連合学習を勾配ブースティング決定木に導入した汎用的な継続学習方式を提案(８項で後述する課題の関連成果)ブロックチェーンベース認証技術：ブロックチェーンベース継続的なXGBoostモデルを適用した分散型モデルトレーニングを提案した。複数の銀行にブロックチェーン実装のアーキテクチャを提供し、バッチ及びストリーミングデータ処理として実証実験を行った。本アプローチを、集中型、個別型、及び連合学習型のXGBoostモデルと比較すると、優れた予測パフォーマンスを維持しつつ分散システムの環境を満たしている。成果は国際会議ICONIP2022で発表した。更に、昨年度提案した効率的な連合学習方式eFL-Boostベースの継続学習において、過学習を防ぐための事前・事後剪定手法を提案し、効率と安全性の強化を両立した方式をSCIS2023で発表した。動的サンプリング手法による追加・継続学習の不均衡問題解決及び忘却防止：インターネットバンキングでのなりすましや詐欺、マネーロンダリングといった不正送金の被害が急増しており、このような犯罪の手口は検知を逃れるために時々刻々と変化することから、動的な環境に適応して異常検知を行う継続学習方式の開発が注目されている。本研究では、データ分布が変動する動的な環境下であっても、過去の重要な記憶の忘却を抑制しながら、新たなデータ分布への迅速な適応が可能な連合学習型の継続学習方式を提案した。成果はFAN2022で発表した。決定木とk-匿名化の関係についての調査に続き、一意性攻撃や同種攻撃など多様な攻撃からプライバシー保護の実現を探求した。成果はSCIS2023で発表した。上記の認証技術を分散型学習環境への適応手法、剪定手法による過学習防止、及び動的サンプリングベースの忘却防止手法は、同業種か異業種かに関わらず適用可能である。

一种通用的连续学习方法，将用于隐私保护机器学习的尖端技术引入梯度提升决策树（第8节后面描述的任务的相关结果）基于区块链的身份验证技术：我们建议使用基于区块链的连续XGBoost模型进行拟议的分布式模型培训。我们为多个银行提供了区块链实施的体系结构，并将演示实验作为批处理和流数据处理。与集中式，个性化和联合学习XGBoost模型相比，这种方法满足了分布式系统的环境，同时保持出色的预测性能。结果是在国际会议ICONIP 2022上提出的。此外，在去年提出的有效的基于EFL-Boost的连续学习方法中，我们提出了一种预防和后后的技术，以防止过度学习，并提出了一种结合效率并在SCIS2023上提高安全性的方法。另外以及使用动态抽样方法和防止遗忘的解决不平衡问题以及继续学习：诸如欺诈性汇款所造成的损害，例如假冒，欺诈和互联网银行中的洗钱等诸如这些犯罪方法的变化迅速增加，并且由于这些犯罪方法的发展而避免检测到延续性学习方法的发展，以适应动态的环境和动态的注意力，并具有无效的注意力。在这项研究中，我们提出了一种合并的学习方法，该方法允许快速适应新的数据分布，同时也抑制了忘记过去的记忆，即使在数据分布有所不同的动态环境中也是如此。结果在Fan2022宣布。经过对决策树与K-匿名化之间关系的调查，我们探讨了对各种攻击（包括独特性和均匀攻击）的隐私保护的实现。结果宣布在SCIS 2023上。上述身份验证技术可以应用于分布式学习环境，使用修剪技术的过度学习预防，并且无论是在同一行业还是在不同的行业中，都可以应用基于动态的基于动态抽样的预防预防技术。