Sichere Mehrparteienberechnungen und datenschutzfreundliche Klassifikation auf Basis horizontal partitionierter Datenbanken

Es werden zwei sichere Implementierungen quadratischer Optimierungsverfahren vorgestellt: Einerseits die ubliche, primale Aktive-Mengen-Strategien und andererseits das duale Verfahren von Goldfarb und Idnani. Dazu benotigte Techniken zum sicheren Rechnen mit Matrizen und Vektoren und zum sicheren Losen linearer Gleichungssysteme werden eingefuhrt. Die Optimierungsverfahren werden dazu verwendet, das Problem der sicheren Berechnung von Support Vektor Maschinen (SVMs) auf Grundlage horizontal partitionierter Trainingsdaten zu losen und einen Klassifikator zu ermitteln, mit dessen Hilfe Testdaten klassifiziert werden konnen. 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..