機械学習における自己情報コントロール機構の構築

2013 年度 実施状況報告書

• 研究課題/領域番号: 25540094
• 研究種目: 挑戦的萌芽研究
• 研究機関: 筑波大学
• 研究代表者: 佐久間 淳 筑波大学, システム情報系, 准教授 (90376963)
• 研究分担者: 神嶌 敏弘 独立行政法人産業技術総合研究所, ヒューマンライフテクノロジー研究部門, 研究員 (50356820)
• 研究期間 (年度): 2013-04-01 – 2015-03-31
• キーワード: 機械学習 / データマイニング / 匿名化 / プライバシ / 自己情報コントロール

研究概要

機械学習においてデータに個人情報が含まれる場合には、プライバシの侵害を考慮し, 解析の前にデータの匿名化を行うなどの処理が必要となる. 一般に, 匿名性とデータ有用性の間にはトレードオフの関係があることが知られているが, 匿名化によりデータ有用性がどう変化するかについての解析はほとんどなされていない. H25年度はプライバシ保護を目的としてデータに加えた変化をロバスト最適化における摂動と解釈することによって、 代表的な予測モデルである線形回帰を対象とし, この摂動について頑健な線形回帰をロバスト最適化により求めたときの, 予測の期待損失を実験的に評価した. 実験の結果, 匿名性と精度の関係は必ずしもトレードオフとはならず, 匿名性を高めた場合でも、期待損失が必ずしも増大しないことがわかった。

現在までの達成度 (区分)

2: おおむね順調に進展している

理由

H25年度は、プライバシ保護のために加えて摂動について頑健な線形回帰をロバスト最適化により求めたときの, 予測の期待損失を実験的に評価したが、その上限の理論的評価には至っていないため。

今後の研究の推進方策

今後は、
(1)プライバシ保護のために加えて摂動について頑健な線形回帰をロバスト最適化により求めたときの, 予測の期待損失の理論的評価を行う
(2)予測モデルとして、サポートベクターマシンなどの分類は、カーネルを用いた場合の、実験・理論的解析、
(3)上記によって確立された技術の、自己情報コントロールへの応用、
について研究を行う。

研究成果

• [雑誌論文] Efficiency Improvement of Neutrality-Enhanced Recommendation (2013)
  • 著者名/発表者名: Toshihiro Kamishima, Shotaro Akaho, Hideki Asoh, and Jun Sakuma
  • 雑誌名: Recsys'13, Human Decision Making 巻: Workshop Proceedings ページ: 1-8
  • 査読あり
• [学会発表] 匿名化データからのロバスト線形回帰とその汎化誤差解析
  • 著者名/発表者名: 小林星平, 佐久間 淳
  • 学会等名: 2014年暗号と情報セキュリティシンポジウム(SCIS2014)
  • 発表場所: 鹿児島