Improved Privacy-Preserving PCA Using Space-optimized Homomorphic Matrix Multiplication

要約

主成分分析 (PCA) は、機械学習とデータ分析の分野で広く利用されている極めて重要な手法です。
情報の損失を最小限に抑えながら、データセットの次元を削減することを目的としています。
近年、安全なクラウド コンピューティング シナリオのためのプライバシー保護 PCA アルゴリズムに準同型暗号を利用する試みが行われています。
これらのアプローチでは一般に、PowerMethod として知られる PCA ルーチンが使用されます。このルーチンは、共分散行列を入力として受け取り、データセットの主成分に対応する近似固有ベクトルを生成します。
ただし、PowerMethod アルゴリズムには効率的な準同型共分散行列計算回路と正確な準同型ベクトル正規化戦略が存在しないため、そのパフォーマンスは制約を受けます。
この研究では、これらの制限に対処し、以前のアプローチと比較して優れた効率、精度、拡張性を実現する、プライバシー保護 PCA への新しいアプローチを提案します。

要約(オリジナル)

Principal Component Analysis (PCA) is a pivotal technique widely utilized in the realms of machine learning and data analysis. It aims to reduce the dimensionality of a dataset while minimizing the loss of information. In recent years, there have been endeavors to utilize homomorphic encryption in privacy-preserving PCA algorithms for the secure cloud computing scenario. These approaches commonly employ a PCA routine known as PowerMethod, which takes the covariance matrix as input and generates an approximate eigenvector corresponding to the primary component of the dataset. However, their performance is constrained by the absence of an efficient homomorphic covariance matrix computation circuit and an accurate homomorphic vector normalization strategy in the PowerMethod algorithm. In this study, we propose a novel approach to privacy-preserving PCA that addresses these limitations, resulting in superior efficiency, accuracy, and scalability compared to previous approaches

arxiv情報

提供元, 利用サービス

arxiv.jp, Google