文献

J-GLOBAL ID：202002255522840852   整理番号：20A1049083

差分プライバシ 3 局所差分プライバシの最新動向

著者 (4件)： 福地一斗 (筑波大) ,  福地一斗 (理研 AIP) ,  佐久間淳 (筑波大) ,  佐久間淳 (理研 AIP)
資料名： 情報処理  (IPSJ Magazine)
巻： 61  号： 6  ページ： 600-606  発行年： 2020年05月15日 
JST資料番号： G0427A  ISSN： 0447-8053  資料種別： 逐次刊行物 (A)
記事区分： 解説  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ・差分プライバシでは収集した個人データに統計処理を施して解析者に公開するときにプライバシ保護処理を行うのに対し,収集者が処理済みデータだけを受け取る局所差分プライバシを解説。
・ユーザや収集者の間のやり取りの制限を定めた対話可能性のモデルとして対話なしモデル,公開コインモデル,逐次的対話モデル,完全対話モデルの制限の強さ,ユーザへの負荷,統計処理の精度を比較。
・局所差分プライバシのアルゴリズムとして2値の離散データを提供するランダマイズドレスポンス,スカラー値の平均値を推定するためのアルゴリズムを紹介。
・局所差分プライバシの応用事例としてGoogleのChromeからユーザのWeb閲覧に関する情報,及びAppleのiOSデバイスからユーザのデバイス利用に関する頻度統計を収集する仕組みを紹介。

シソーラス用語： *プライバシー ,  技術展望 ,  *差分法 ,  コンピュータセキュリティ ,  *統計解析 ,  データ解析 ,  情報収集 ,  モデリング ,  計算機アルゴリズム ,  頻度 ,  入出力装置

分類 (3件)： データ保護  (JD01020V) ,  数値計算  (JE02000J) ,  システム・制御理論一般  (IA02010H)

引用文献 (7件)：

• Erlingsson, Ú., Pihur, V. and Korolova, A. : Rappor : Randomized Aggregatable Privacy-preserving Ordinal response, In: Proceedings of the 2014 ACM SIGSAC Conference on Computer and Communications Security. pp.1054-1067 (2014).
• ADP Team et al.: Learning with Privacy at Scale, In : Apple Machine Learning Journal 1.8 (2017).
• Kasiviswanathan, S. P. et al.: What Can We Learn privately?, In: SIAM Journal on Computing 40.3, pp.793-826 (2011).
• Acharya, J. et al.: Test without Trust : Optimal Locally Private Distribution Testing, In:Proceedings of Machine Learning Research. Ed. by Kamalika Chaudhuri and Masashi Sugiyama, Vol.89. Proceedings of Machine Learning Research, PMLR, pp.2067-2076 (2019).
• Duchi, J. C., Jordan, M. I. and Wainwright, M. J.: Local Privacy and Statistical Minimaxrates, In: 2013 IEEE 54th Annual Symposiumon Foundations of Computer Science. IEEE, pp.429-438(2013).

タイトルに関連する用語 (3件)： 差分 ,  プライバシ ,  最新動向