Sichere Mehrparteienberechnungen und datenschutzfreundliche Klassifikation auf Basis horizontal partitionierter Datenbanken

Dokumentenart:	Hochschulschrift der Universität Regensburg (Dissertation)
Open Access Art:	Primärpublikation
Datum:	8 Februar 2013
Begutachter (Erstgutachter):	Prof. Dr. Peter Lory und Prof. Dr. Dieter Bartmann
Tag der Prüfung:	12 Dezember 2012
Institutionen:	Wirtschaftswissenschaften > Institut für Wirtschaftsinformatik > Entpflichtete oder im Ruhestand befindliche Professoren > Professur für Wirtschaftsinformatik & Wirtschaftsmathematik (Prof. Dr. Peter Lory)
Sonstige Projekte:	IT-Sicherheit III (EFRE)
Themenverbund:	Nicht ausgewählt
Stichwörter / Keywords:	Sichere Mehrparteienberechnungen, Quadratische Optimierung, Klassifikation, Support Vektor Maschinen, Secure Multi-Party Computations, quadratic optimization, classification, Support Vector Machines
Dewey-Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke > 004 Informatik 300 Sozialwissenschaften > 330 Wirtschaft 500 Naturwissenschaften und Mathematik > 510 Mathematik
Status:	Veröffentlicht
Begutachtet:	Ja, diese Version wurde begutachtet
An der Universität Regensburg entstanden:	Ja
Dokumenten-ID:	27630

Zusammenfassung (Deutsch)

Es werden zwei sichere Implementierungen quadratischer Optimierungsverfahren vorgestellt: Einerseits die übliche, primale Aktive-Mengen-Strategien und andererseits das duale Verfahren von Goldfarb und Idnani. Dazu benötigte Techniken zum sicheren Rechnen mit Matrizen und Vektoren und zum sicheren Lösen linearer Gleichungssysteme werden eingeführt. Die Optimierungsverfahren werden dazu verwendet, ...

Zusammenfassung (Deutsch)

Es werden zwei sichere Implementierungen quadratischer Optimierungsverfahren vorgestellt: Einerseits die übliche, primale Aktive-Mengen-Strategien und andererseits das duale Verfahren von Goldfarb und Idnani. Dazu benötigte Techniken zum sicheren Rechnen mit Matrizen und Vektoren und zum sicheren Lösen linearer Gleichungssysteme werden eingeführt. Die Optimierungsverfahren werden dazu verwendet, das Problem der sicheren Berechnung von Support Vektor Maschinen (SVMs) auf Grundlage horizontal partitionierter Trainingsdaten zu lösen und einen Klassifikator zu ermitteln, mit dessen Hilfe Testdaten klassifiziert werden können. Alle entwickelten Verfahren sind prototypisch in C++ implementiert und werden anhand von Testbesipielen evaluiert. Alle Algorithmen vewenden die sichere Implemenierung der Fixpunktarithmetik von Catrina et al..

Übersetzung der Zusammenfassung (Englisch)

We present secure implementations of two quadratic optimization algorithms: On the one hand the standard, primal active set method and on the other hand the dual algorithm of Goldfarb and Idnani. To facilitate these computations several techniques for secure computations with matrices and vectors and secure algorithms to solve linear systems of equations are introduced. The optimization ...

Übersetzung der Zusammenfassung (Englisch)

We present secure implementations of two quadratic optimization algorithms: On the one hand the standard, primal active set method and on the other hand the dual algorithm of Goldfarb and Idnani. To facilitate these computations several techniques for secure computations with matrices and vectors and secure algorithms to solve linear systems of equations are introduced. The optimization algorithms are employed to securely compute support vector machines (SVMs) based on horizontally partitioned training-data. Having computed an SVM a classificator can be derived to securely classify previously unclassified test-data. All algorithms are prototypically implemented in C++ (using the framework of Catrina et al. for secure computations with fixed point numbers) and evaluated on standard test-examples.

Details

Vorschau

Bibliographische Daten exportieren

Zusammenfassung (Deutsch)

Zusammenfassung (Deutsch)

Übersetzung der Zusammenfassung (Englisch)

Übersetzung der Zusammenfassung (Englisch)

Downloadstatistik

Downloads

Weitere Literatur (mittels CORE)

Universitätsbibliothek