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。

最先进的隐私保护机器学习技术提出了一种通用的持续学习方法，将联邦学习纳入梯度提升决策树（与第 8 节稍后描述的问题相关的结果）基于区块链的身份验证技术：区块链基于我们提出了一种应用连续 XGBoost 模型的分布式模型训练。我们为多家银行提供了区块链实现架构，并进行了批量和流式数据处理的演示实验。将我们的方法与集中式、个性化和联邦学习的 XGBoost 模型进行比较，它满足分布式系统环境，同时保持出色的预测性能。结果在国际会议 ICONIP2022 上公布。此外，在我们去年提出的高效联邦学习方法——基于eFL-Boost的持续学习中，我们提出了防止过拟合的预剪枝和后剪枝方法，并在SCIS2023上公布了一种平衡效率和安全性增强的方法。利用动态采样方法解决额外/持续学习的不平衡问题，防止遗忘：网上银行中的冒充、诈骗、洗钱等欺诈汇款造成的损害正在迅速增加，而这些犯罪手段很容易逃脱检测。适应动态环境和检测异常的持续学习方法的开发正在引起人们的关注。在这项研究中，我们提出了一种联邦学习型的持续学习方法，即使在数据分布波动的动态环境中，也可以快速适应新的数据分布，同时抑制过去重要记忆的遗忘。结果在 FAN2022 上公布。通过研究决策树和k-匿名化之间的关系，我们探索了保护隐私免受唯一性攻击和同质攻击等各种攻击的方法。结果在 SCIS2023 上公布。上述认证技术适应分布式学习环境的方法、利用剪枝方法防止过拟合、以及基于动态采样的防止遗忘方法，无论是同行业还是异行业都可以应用。