@inproceedings{oai:ipsj.ixsq.nii.ac.jp:00240988,
 author = {松本, 知優 and 三浦, 尭之 and 芝原, 俊樹 and 紀伊, 真昇 and 岩花, 一輝 and 税所, 修 and 岡村, 真吾 and Tomoya, Matsumoto and Takayuki, Miura and Toshiki, Shibahara l Masanobu Kii and Kazuki, Iwahana and Osamu, Saisho and Shingo, Okamura},
 book = {コンピュータセキュリティシンポジウム2024論文集},
 month = {Oct},
 note = {心電図や脳波などの系列データの利活用が進んでいるが，そのような系列データに含まれる個人のプライバシーの保護は重要な問題である．プライバシーへの配慮が求められるデータを安全かつ自由に扱えるようにするため，差分プライバシーに基づくデータ合成技術が注目されている．しかし，差分プライバシーを満たす合成データは生データに比べて品質が大きく低下するという問題がある．本稿では，まず先行研究の手法に品質面の課題があることを示し，続いてその課題を解決するため，構造化状態空間モデルと拡散モデルを組み合わせた差分プライベートな系列データ合成手法を提案する．実験では，等しいプライバシー保護強度の下で提案手法が先行研究よりも高品質な系列データを合成できることを示す．, The use of sequential data such as electrocardiograms and electroencephalograms is increasing, and protecting the privacy of individuals in sequential data is an important issue. Differentially private data synthesis technology has been attracting attention to enable safe and free data handling for which privacy considerations are required. However, the quality of differentially private synthetic data is often much lower than that of raw data. In this paper, we first show that there are quality issues in the previous methods. We then propose a differentially private sequential data synthesis method that combines a structured state space model and a diffusion model to solve these issues. Experiments show that the proposed method can synthesize higher quality sequential data than the previous studies under equal privacy protection strength.},
 pages = {1815--1822},
 publisher = {情報処理学会},
 title = {構造化状態空間モデルと拡散モデルを用いた差分プライベートな系列データ合成},
 year = {2024}
}