辻本 悠人
現代社会では，多くの分野で個人データの利用が進んでいる．一方，このようなデータ利活用によって， 個人のプライバシー漏洩のリスクも高まっている．そこで，プライバシー保護の指標として，差分プライ バシー(Differential Privacy， DP）が提案された．DPは，データ収集者がデータを公開する際のプライ バシー保護の指標である．しかし，データ収集者を信用する必要があったため，第３者への信用を必要と しないプライバシー保護の指標である局所差分プライバシー（LocalDifferential Privacy， LDP）が提案 された．LDPは，データ提供者がデータに直接ノイズを加えることによって,個人データからのプライバ シー漏洩の保護を想定している．LDPは，機械学習においてもデータプライバシー，モデルプライバシー の観点から有用である．しかし，LDPは多次元データに対してはプライバシー保護と有用性のバランスを 取ることが難しいことが課題である．これを解決するために，次元削減やデータの離散化といった技術が提 案されている．LDPを満たす機械学習手法として，SUPMというフレームワークが提案された．SUPMで は，カテゴリ，数値という全属性タイプをドメインサイズLの順序付き離散集合に変換することで，統一的 な弱匿名化を実施し，統一的に摂動を加える．このとき，各属性のドメインとドメインサイズLを，デー タの特徴に依らず事前に統一的に決定する．このため，事前に各属性の有用性などの特長を知っている必 要性がある．そこで，本研究では，次元削減の際に収集するデータを用いて属性毎に最適なドメイン定義， ドメインサイズを達成するようなデータ成形手法を提案する．そして，ADULTデータセットを用いて提案 手法の有用性を検証した．
