Classification de texte supervisée au moyen du chiffrement homomorphe

Les préoccupations en matière de confidentialité constituent un obstacle à l’application d’analyses à distance, notamment l’apprentissage automatique, sur des données sensibles au sein du nuage. Dans le cadre de ce travail, nous utilisons un schéma de chiffrement totalement homomorphe à niveau pour entraîner un algorithme d’apprentissage automatique supervisé de bout en bout à classer du texte tout en protégeant la confidentialité des points de données d’entrée. Nous entraînons notre réseau neuronal à simple couche sur un important ensemble de données de simulation en fournissant une solution pratique à une tâche de classification de textes réels comprenant de multiples catégories. Pour améliorer à la fois la précision et le temps d’entraînement, nous entraînons un ensemble de tels classificateurs en parallèle par un groupage de cryptogrammes.

Mots clés : protection des renseignements personnels, apprentissage automatique, chiffrement