同型暗号と秘密分散の結びつき：リスク管理における安全な大規模スパースロジスティック回帰とその応用

ロジスティック回帰（LR）は、その効率性、堅牢性、解釈のしやすさから、産業で最も広く使用されている機械学習モデルです。データの孤立化の問題と高モデル性能の要求のために、産業では複数の当事者のために安全かつ効率的なLRモデルの構築が求められています。既存の大部分の研究は、同型暗号（HE）または秘密分散（SS）を使用して安全なLRを構築します。HEに基づく方法は高次元のスパース特徴に対処できますが、潜在的なセキュリティリスクを伴います。一方、SSに基づく方法は証明可能なセキュリティを持ちますが、高次元のスパース特徴の下で効率性の問題があります。本論文では、まずHEとSSを組み合わせて安全な大規模スパースロジスティック回帰モデルを構築するCAESARを提示し、効率性とセキュリティの両方を実現します。次に、CAESARのスケーラビリティ要求に対する分散実装を提示します。CAESARをリスク管理タスクに展開し、包括的な実験を実施しました。我々の実験結果は、CAESARが最先端モデルを約130倍改善することを示しています。