2026-03-14T14:44:13Z https://ipsj.ixsq.nii.ac.jp/oai

oai:ipsj.ixsq.nii.ac.jp:00240989 2025-03-06T06:11:51Z 6164:6165:6462:11854

Vertical Federated Learningにおける共通属性を用いた差分プライベートなデータ合成 Differentially Private Vertical Data Synthesis via Shared Attributes 松本, 茉倫 髙橋, 翼 小口, 正人 Marin, Matsumoto Tsubasa, Takahashi Masato, Oguchi 差分プライバシ，データ合成，Vertical Federated Learning 垂直に分散するデータをプライバシに配慮しながら連合学習し，統合されたデータの合成データ生成モデルはどのように訓練すればよいだろうか．このタスクでは，プライバシを保護しながら異なるパーティが持つ属性間の相関を効率的かつ正確に再構築することが主な課題である．本研究では，垂直分散するテーブル間に共通の属性が存在することを仮定し，この共通属性を軸として，属性間の相関をプライバシ保護しながら獲得する方法について考える．この仮定の下で，局所的に生成されたマルコフ確率場 (MRF) を共通属性を軸として結合する，差分プライベートなデータ合成手法MRF-JOINを提案する．共通属性の存在を仮定しない既存手法と比べて，提案法で生成した合成データは，統合データが有する相関をより維持していることを実験で確認した． How should we train a synthetic data generation model for integrated data while considering privacy in vertically distributed data? In this task, the main challenge is to efficiently and accurately reconstruct the correlation between attributes held by different parties while preserving privacy. In this study, we assume the existence of common attributes among vertically distributed tables and consider a method to acquire the correlation between attributes while protecting privacy by using these common attributes as an axis. Under this assumption, we propose a differentially private data synthesis method called MRF-JOIN, which combines locally generated Markov Random Field (MRF) using the common attribute as an axis. Compared to existing methods that do not assume the existence of common attributes, experiments confirmed that the synthetic data generated by the proposed method better maintains the correlations present in the integrated data. 情報処理学会 2024-10-15 jpn conference paper https://ipsj.ixsq.nii.ac.jp/records/240989 コンピュータセキュリティシンポジウム2024論文集 1823 1830 https://ipsj.ixsq.nii.ac.jp/record/240989/files/IPSJ-CSS2024243.pdf application/pdf 552.0 kB 2026-10-15