機械学習のためのプライバシー保護

第I部 差分プライバシーによるプライバシー保護機械学習の基礎

第1章 機械学習におけるプライバシーへの配慮
1.1 AI時代におけるプライバシーの複雑化
1.2 目的外の学習がもたらす脅威
　1.2.1 プライベートなデータはその場で利用する
　1.2.2 データはどのようにMLアルゴリズム内部で処理されるのか
　1.2.3 プライバシー保護が機械学習において重要な理由
　1.2.4 規制要件と有用性：プライバシーのトレードオフ
1.3 MLシステムに対する脅威と攻撃
　1.3.1 暗号化されないプライベートデータの問題
　1.3.2 再構築攻撃
　1.3.3 モデル反転攻撃
　1.3.4 メンバーシップ推論攻撃
　1.3.5 非匿名化（再識別）攻撃
　1.3.6 ビッグデータ解析におけるプライバシー保護の課題
1.4 学習過程におけるプライバシーの担保：プライバシー保護機械学習
　1.4.1 差分プライバシーの利用
　1.4.2 局所差分プライバシー
　1.4.3 プライバシー保護データ合成
　1.4.4 プライバシー保護データマイニングの技術
　1.4.5 圧縮プライバシー
1.5 本書の構成

第2章 機械学習における差分プライバシー
2.1 差分プライバシーとは何か
　2.1.1 差分プライバシーの概念
　2.1.2 差分プライバシーの働き
2.2 差分プライバシーの機構
　2.2.1 バイナリメカニズム（ランダム化応答）
　2.2.2 ラプラスメカニズム
　2.2.3 指数メカニズム
2.3 差分プライバシーの特性
　2.3.1 差分プライバシーの後処理特性
2.3.2 差分プライバシーのグループプライバシー特性
　2.3.3 差分プライバシーの合成特性

第3章 機械学習における差分プライバシーの高度な概念
3.1 機械学習における差分プライバシーの適用
　3.1.1 入力摂動法
　3.1.2 アルゴリズム摂動法
　3.1.3 出力摂動法
　3.1.4 目的関数摂動法
3.2 差分プライベートな教師あり学習アルゴリズム
　3.2.1 差分プライベートなナイーブベイズ分類
　3.2.2 差分プライベートなロジスティック回帰
　3.2.3 差分プライベートな線形回帰
3.3 差分プライベートな教師なし学習アルゴリズム
　3.3.1 差分プライベートなk-meansクラスタリング
3.4 ケーススタディ：差分プライベートな主成分分析
　3.4.1 水平に分割されたデータに対するPCAのプライバシー
　3.4.2 水平方向に分割されたデータに対する差分プライベートなPCAの設計
　3.4.3 プロトコルの性能を実験的に評価する


第II部 局所差分プライバシーと合成データ生成

第4章 機械学習における局所差分プライバシー
4.1 局所差分プライバシーとは
　4.1.1 局所差分プライバシーの概念
　4.1.2 局所差分プライバシーのためのランダム化応答
4.2 差分プライバシーのメカニズム
　4.2.1 ダイレクトエンコーディング
　4.2.2 ヒストグラムエンコーディング
　4.2.3 単項エンコーディング

第5章 機械学習の高度なLDPメカニズム
5.1 局所差分プライバシーの簡単なおさらい
5.2 高度なLDP手法
　5.2.1 LDPにおけるラプラスメカニズム
　5.2.2 LDPを保証するDuchiのメカニズム
　5.2.3 LDPにおけるピースワイズメカニズム
5.3 LDPナイーブベイズ分類の実装
　5.3.1 ナイーブベイズとML分類の併用
　5.3.2 離散的な特徴量に対するLDPナイーブベイス
　5.3.3 連続的な特徴量に対するLDPナイーブベイス
　5.3.4 各種LDPプロトコルの性能評価

第6章 プライバシー保護された合成データ生成
6.1 合成データ生成の概要
　6.1.1 合成データとは何か？　なぜ重要なのでしょうか？
　6.1.2 プライバシー保護のための合成データ活用の応用面
　6.1.3 合成データの生成
6.2 データの匿名化によるプライバシーの確保
　6.2.1 プライベートな情報の共有とプライバシーへの配慮
　6.2.2 再識別攻撃に対するk-匿名性の使用
　6.2.3 k-匿名性を超える匿名化
6.3 プライバシー保護された合成データ生成のためのDP
　6.3.1 DPによる合成ヒストグラム表現の生成
　6.3.2 DPによる表形式の合成データ生成
　6.3.3 DPによる合成多次元マージナルデータの生成
6.4 ミクロアグリゲーションによる合成データ公開
　6.4.1 階層クラスタリングとミクロアグリゲーションの利用
　6.4.2 合成データを生成する
　6.4.3 生成された合成データの性能を評価する


第III部 プライバシーを保証する機械学習アプリケーションの構築

第7章 プライバシー保護データマイニングの技術
7.1 データマイニングと管理におけるプライバシー保護の重要性
7.2 データ処理およびマイニングにおけるプライバシー保護
　7.2.1 データマイニングとはどのようなもので，どのように使われるのか
　7.2.2 プライバシーに関する規制要件
7.3 入力の変更によるプライバシー保護
　7.3.1 アプリケーションと制約
7.4 データを公開する際のプライバシーの保護
　7.4.1 Pythonによるデータのサニタイズ処理の実装
　7.4.2 k-匿名性
　7.4.3 Pythonで実装するk-匿名化

第8章 プライバシー保護データ管理と操作
8.1 データの処理とマイニングにおけるプライバシー保護
8.2 k-匿名性を超えるプライバシー保護
　8.2.1 ℓ-多様性
　8.2.2 t-近接性
　8.2.3 Pythonによるプライバシーモデルの実装
8.3 出力の修正によるプライバシー保護データマイニング
　8.3.1 相関ルール隠蔽
　8.3.2 データマイニングの精度を下げる
　8.3.3 統計データベースにおける推論制御
8.4 データ管理システムにおけるプライバシー保護
　8.4.1 データベースのセキュリティとプライバシー：脅威と脆弱性
　8.4.2 データベースシステムがプライベートな情報を漏らす可能性
　8.4.3 データベースシステムへの攻撃
　8.4.4 統計データベースシステムにおけるプライバシー保護技術
　8.4.5 カスタマイズ可能なデータベースシステムの設計における留意点

第9章 機械学習のための圧縮プライバシー
9.1 圧縮プライバシーの導入
9.2 圧縮プライバシーのメカニズム
　9.2.1 主成分分析(PCA)
　9.2.2 その他の次元削減法
9.3 機械学習アプリケーションのための圧縮プライバシーの活用
　9.3.1 圧縮プライバシーの実装
　9.3.2 有用性タスクの精度
　9.3.3 プライバシーと有用性のためのDCAにおけるρ'の効果
9.4 水平分割データにおけるプライバシー保護PCAとDCA
　9.4.1 水平分割されたデータにおけるプライバシー保護の実現
　9.4.2 次元削減アプローチの再確認
　9.4.3 加法準同型暗号の利用
　9.4.4 提案手法の概要
　9.4.5 プライバシーを保護する計算の仕組み
　9.4.6 プライバシー保護PCAとDCAの効率性と精度の評価

第10章 プライバシーを強化するプラットフォームの設計
10.1 研究データ保護・共有プラットフォームの意義
　10.1.1 DataHubプラットフォームが生まれた動機
　10.1.2 DataHubの重要な機能
10.2 共同研究ワークスペースの理解
　10.2.1 アーキテクチャデザイン
　10.2.2 異なる信頼モデルの融合
　10.2.3 アクセス制御メカニズムの設定
10.3 DataHubへのプライバシーとセキュリティ技術の統合
　10.3.1 クラウド型セキュアNoSQLデータベースによるデータ保存
　10.3.2 局所差分プライバシーによるプライバシー保護データ収集
　10.3.3 プライバシー保護機械学習
　10.3.4 プライバシ保護クエリ処理
　10.3.5 DataHubプラットフォームにおける合成データ生成の利用

付　録 差分プライバシーに関する詳細

参考文献
索　引