シャッフルモデルにおける局所差分プライバシに基づく垂直分割データのプライバシ保護データ合成

• Item type: Symposium(1)
• 公開日: 2022-10-17
• タイトル: シャッフルモデルにおける局所差分プライバシに基づく垂直分割データのプライバシ保護データ合成
• タイトル / 言語: en
• タイトル: Privacy-Preserving Data Synthesization from Vertical Partitioned Data with Local Differential Privacy in the Shuffled Model
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 垂直分割データの協調匿名化，局所差分プライバシ，シャッフルモデル，プライバシ保護データ合成
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_5794
• 資源タイプ: conference paper
• 著者所属: NTT社会情報研究所
• 著者所属: NTT社会情報研究所
• 著者所属: NTT社会情報研究所
• 著者所属: NTT社会情報研究所
• 著者所属: 群馬大学
• 著者所属(英): en
• 著者所属(英): NTT Social Informatics Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Social Informatics Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Social Informatics Laboratories
• 著者所属(英): en
• 著者所属(英): NTT Social Informatics Laboratories
• 著者所属(英): en
• 著者所属(英): Faculty of Informatics, Gunma University
• 著者名: 紀伊, 真昇; 市川, 敦謙; 三浦, 尭之; 山本, 充子; 千田, 浩司
• 著者名(英): Masanobu, Kii; Atsunori, Ichikawa; Takayuki, Miura; Juko, Yamamoto; Koji, Chida
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 各組織が保有するパーソナルデータを横断的に利活用するためには，データを提供する個人のプライバシ保護が欠かせない．そこで筆者らは SCIS2022 において，各組織に対しても匿名性を保ちつつデータ連結できる手法を提案したが，従来の匿名化に基づく場合，属性数が多くなるにつれ有用性が著しく悪化する問題があった．本稿ではその対策として，シャッフルモデルにおける局所差分プライバシに基づく匿名化手法を提案する．提案方式のプライバシ予算の消費量の評価および公開データを用いた実験評価により，提案方式の安全性および有用性を定量的に示す．またプライバシ保護データ合成への応用可能性についても検討する．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Privacy is of utmost concern when utilizing across the personal data sets held by each organization. At SCIS2022, the authors presented a protocol to join the databases while fulfilling anonymity even for the organizations; however, there remains a major obstacle that the conventional anonymization methods applicable in the proposed scheme drastically decrease the utility as the number of attributes increases. As a countermeasure, we propose an anonymization method satisfying local differential privacy in the shuffled model. We quantitatively demonstrate the privacy and utility of the proposed method by evaluating the amount of consumption of privacy budget and an experimental result of our method obtained from public data. We also discuss a privacy-preserving data synthesization algorithm using our method.
• 書誌情報: コンピュータセキュリティシンポジウム2022論文集; p. 145-152, 発行日 2022-10-17
• 出版者 / 言語: ja
• 出版者: 情報処理学会