PETs

PETs（Privacy Enhancing Technologies：プライバシー強化技術）とは、個人データの利活用とプライバシー保護を両立するための技術群の総称です。データから有用な知見を抽出しながらも、個人を特定できる情報の漏洩を数学的・技術的に防止することを目的としています。GDPR、個人情報保護法などの規制強化やAI・機械学習の普及に伴い、PETsは現代のデータガバナンスにおいて不可欠な基盤技術となっています。

PETsには、差分プライバシー（Differential Privacy）、連合学習（Federated Learning）、準同型暗号（Homomorphic Encryption）、秘密計算（Secure Multi-Party Computation）、合成データ生成（Synthetic Data Generation）など、複数の技術が含まれます。これらの技術はそれぞれ異なるアプローチでプライバシーを保護し、ユースケースや要件に応じて使い分けられます。

近年、AppleやGoogleなどの大手テック企業がOSレベルで差分プライバシーを実装し、医療機関が連合学習を用いて患者データを共有せずにAIモデルを構築するなど、PETsの実用化が急速に進んでいます。一方で、PETsの導入にはパフォーマンスコストやユーティリティとプライバシーのトレードオフなどの課題があり、適切な技術選定と実装が求められます。

差分プライバシー（Differential Privacy）

差分プライバシーは、データセットに統計的なノイズを加えることで、個々のレコードの有無がクエリ結果に与える影響を制限し、個人の特定を防ぐ技術です。数学的に厳密なプライバシー保証（ε-差分プライバシー）を提供できる点が最大の特徴です。

Appleは2016年からiOSで差分プライバシーを導入し、絵文字の使用傾向やSafariのクラッシュレポートなどの集計において個人のプライバシーを保護しています。Googleも同様にChromeやAndroidのテレメトリデータ収集にRAPPORと呼ばれる差分プライバシーの仕組みを実装しています。パラメータε（イプシロン）の値が小さいほどプライバシー保護が強くなりますが、データのユーティリティ（有用性）は低下するというトレードオフがあります。

連合学習（Federated Learning）

連合学習は、データを中央サーバーに集約せず、各端末やローカルサーバー上でモデルを学習し、モデルパラメータ（勾配情報）のみを共有する分散学習手法です。生データの移動を不要にすることで、プライバシーを保護しながら大規模なデータセットから学習できます。

GoogleのGboardキーボードでは、ユーザーの入力パターンを端末上で学習し、予測変換モデルの改善に連合学習を活用しています。医療分野では、複数の病院が患者データを共有せずにAI診断モデルを共同訓練するプロジェクトが進行中です。ただし、勾配情報からのメンバーシップ推論攻撃やモデル逆転攻撃への対策として、差分プライバシーやセキュアアグリゲーションとの併用が推奨されます。

準同型暗号（Homomorphic Encryption）

準同型暗号は、暗号化されたデータに対して復号せずに計算処理を実行できる暗号技術です。計算結果を復号すると、平文で計算した場合と同じ結果が得られます。データの機密性を保ったまま第三者に処理を委託できるため、クラウドコンピューティングにおけるプライバシー保護に革新をもたらします。

完全準同型暗号（FHE：Fully Homomorphic Encryption）は理論上あらゆる計算を暗号文上で実行可能ですが、現在は計算オーバーヘッドが非常に大きく、実用化には高速化が課題です。部分準同型暗号（PHE）やレベル準同型暗号（SWHE）は限定的な演算のみサポートしますが、実用的なパフォーマンスを提供できます。

秘密計算（Secure Multi-Party Computation）

秘密計算（SMPC）は、複数の参加者がそれぞれの入力データを他の参加者に開示することなく、データの共同計算結果を得る暗号プロトコルです。各参加者は自分のデータのプライバシーを維持しながら、全員のデータから導かれる結果だけを取得できます。

金融分野では、複数の銀行が顧客情報を相互に開示せずにマネーロンダリング検出の共同分析を行うケースで活用されています。また、秘密分散（Secret Sharing）と組み合わせることで、データを複数のシェアに分割し、単一のシェアからは元データを復元できない仕組みを構築できます。

合成データ生成（Synthetic Data Generation）

合成データは、実データの統計的特性を保持しながら、個人を特定できない人工的なデータを生成する技術です。GANs（敵対的生成ネットワーク）やVAE（変分オートエンコーダ）、統計モデルを用いて生成されます。

合成データは、機械学習モデルの訓練データ、ソフトウェアテスト、データ共有など幅広い用途に活用されます。ただし、合成データが元データの特徴を過度に忠実に再現するオーバーフィッティングが発生すると、個人の再特定リスクが生じるため、プライバシー評価メトリクスによる検証が不可欠です。

• 01
  ユースケースに応じた適切なPETs技術の選定：データの種類、計算要件、パフォーマンス制約を考慮し、差分プライバシー・連合学習・準同型暗号・秘密計算・合成データの中から最適な技術を選定してください。単一の技術に依存せず、複数技術の組み合わせによる多層防御を検討しましょう。
• 02
  プライバシーバジェットの厳格な管理：差分プライバシーを導入する場合、プライバシーバジェット（ε値）を組織全体で一元管理し、クエリの累積によるプライバシー損失を追跡してください。同一データセットへの過剰なクエリにより保証が無効化されることを防ぐため、消費量の上限を設定しましょう。
• 03
  連合学習における勾配攻撃への防御：連合学習の勾配共有フェーズでは、メンバーシップ推論攻撃やモデル逆転攻撃のリスクがあります。セキュアアグリゲーション、勾配クリッピング、差分プライバシーノイズの付加を併用し、個々のクライアントデータの復元を防止してください。
• 04
  暗号パラメータの適切な設定と鍵管理：準同型暗号や秘密計算で使用する暗号パラメータは、最新のセキュリティ推奨（NIST等）に準拠してください。鍵の生成・保管・ローテーションにはHSM（ハードウェアセキュリティモジュール）の使用を推奨します。量子コンピュータの脅威を見据えた耐量子暗号への移行計画も策定しましょう。
• 05
  合成データのプライバシー評価：生成した合成データに対して、メンバーシップ推論テスト、属性推論テスト、リンケージ攻撃テストなどのプライバシー評価を実施してください。合成データの忠実度とプライバシー保護のバランスを定量的に測定し、再特定リスクが許容範囲内であることを確認しましょう。
• 06
  PETsの監査と透明性の確保：PETsの実装が意図したプライバシー保証を実際に提供しているかを、第三者監査やペネトレーションテストで定期的に検証してください。処理の透明性を確保するため、プライバシー影響評価（PIA）を実施し、データ主体への説明責任を果たしましょう。