本发明涉及学习程序、学习方法以及学习装置。
背景技术:
1、以往,已知对加密后的状态的数据进行统计处理的安全计算系统。例如,已知有使用加密后的状态的数据来求出逻辑回归分析的参数的技术(例如,参照非专利文献1)。
2、此外,在之后的说明中,将逻辑回归模型自身的回归系数等称为模型参数。另外,将在使用学习数据求出模型参数的处理、即学习处理中设定的参数称为调整参数(tuningparameter)或超参数(hyper parameter)。
3、现有技术文献
4、专利文献
5、专利文献1:日本特开2020-42128号公报
6、非专利文献
7、非专利文献1:安全计算的系统及其原理https://www.rd.ntt/sc/project/data-security/ntt-himitsu-keisan.pdf最终阅览日:2021/3/5非专利文献2:桐渊直人,五十岚大,滨田浩气,菊池亮,“可编程安全计算库meval3”,密码学与信息安全研讨会(scis),2018.
8、非专利文献3:eizenkimura,koki hamada,ryo kikuchi,koji chida,kazuyaokamoto,shirou manabe,tomohiro kuroda,yasushi matsumura,toshihiro takeda,andnaoki mihara:″evaluation of secure computation in a distributed healthcaresetting,″medical informatics europe(mie)2016:152-156.
9、非专利文献4:koji chida,gembu morohashi,hitoshi fuji,fumihiko magata,akiko fujimura,koki hamada,dai ikarashi,ryuichi yamamoto:″implementation andevaluation of an efficient secure computation system using′r′for healthcarestatistics,″j am med inform assoc.21,pp.326-331,2014
技术实现思路
1、发明要解决的课题
2、然而,在以往的技术中,在基于安全计算的逻辑回归模型的学习处理中,存在有时难以进行与分析对象相符的分析精度调整的问题。
3、例如,在包含逻辑回归模型的机器学习模型的学习中,有时反复进行模型参数的更新直到满足收敛条件为止。
4、在该情况下,在决定收敛条件的调整参数中,存在由学习用的程序的开发者预先设定且用户(分析者)无法调整的调整参数。而且,调整参数的设定对已学习的逻辑回归模型的分析精度影响较大。
5、特别是,有时采用模型参数的一次更新量低于基准值作为收敛条件。另一方面,在专利文献1所记载的技术中,用户无法任意地设定模型参数的更新量的基准值。
6、用于解决课题的手段
7、为了解决上述问题并达成目的,学习程序的特征在于,使计算机执行:计算步骤,将解释变量输入到逻辑回归模型并通过安全计算来计算目标变量;更新步骤,根据基于所述计算步骤的计算结果,通过安全计算来更新所述逻辑回归模型的参数;以及判定步骤,根据基于所述更新步骤的所述参数的更新量是否小于由用户指定且加密后的基准值,通过安全计算来判定是否结束所述参数的更新。
8、发明的效果
9、根据本发明,在基于安全计算的逻辑回归模型的学习处理中,能够进行与分析对象相符的分析精度的调整。
1.一种学习程序,其特征在于,使计算机执行以下步骤:
2.根据权利要求1所述的学习程序,其特征在于,
3.根据权利要求1或2所述的学习程序,其特征在于,
4.一种学习方法,其由学习装置执行,该学习方法的特征在于,包含以下步骤:
5.一种学习装置,其特征在于,该学习装置具有: