「プライバシー保護」に関する研究記事 29 件を、新しい順に掲載しています。
暗号化したまま計算できる「近似同型暗号」では、計算結果に含まれる誤差から中身が漏れないよう、あえて大きなノイズを足して隠す（ノイズフラッディング）という定番の防御があります。
プライバシー規制に応えるため、学習済みモデルから特定データの影響だけを取り除く「機械学習の忘却」を、連合学習の文脈で扱った研究です。
連合学習は端末からデータを出さずに学習できる一方、「全体最適なモデル」と「各端末に特化したモデル」を両立しにくいという根本的な課題を抱えています。
従来の局所差分プライバシーは全方向に一律でノイズを足すため、データの使い勝手が大きく落ちる課題がありました。
ミリ波レーダーの生データをエッジ端末で暗号化し、クラウド上で暗号化されたまま信号処理とAI推論を完結させる世界初のシステム「mmFHE」が提案されました。
データを暗号化したまま計算できる「準同型暗号」の処理コストを、行列の並び替え最適化により平均5.5倍削減する手法を提案しました。
複数の端末が生データを共有せずにAIモデルを共同で改善する「連合学習」を、待ち時間の少ない非同期方式で安全に運用するための新手法 SecureAFL が提案されました。
ディープラーニングを使わず、統計的な手法だけで「本物そっくりだけど個人を特定できない」合成データを生成する新手法（NPGC）が提案されました。
虹彩認証データを暗号化したまま照合できる完全準同型暗号（FHE）ベースのフレームワークを構築し、暗号化なしの場合とほぼ同等の認識精度を達成しました。
多くのスマホでAIを学習させる「連合学習」では、端末ごとの性能差が処理速度のボトルネックになるという課題がありました。
AIが外部情報を参照して回答を生成するRAG技術は便利ですが、データ汚染や情報漏洩といった新たなセキュリティリスクを生み出します。
高価なAIモデルを利用する際、本当にそのモデルが使われたかをユーザーが確認する手段がない、という課題があります。
『設計図』を秘密にしたまま、ハードウェアが仕様通りに正しく動作することを証明する新技術『ZK-CEC』を提案しました。
人間関係などの「つながり」を表すグラフデータのプライバシーを守る「差分プライバシー」技術は、実用化が難しいという課題を指摘しています。
個人のデータをサーバーに集めずにAIを学習させる「連合学習」で、プライバシー保護をより強固にする新しい分析手法が提案されました。
音声ディープフェイク検出モデルは、学習に使われていない未知の偽造手法に弱いという課題がありました。
スマホなど個々の端末が持つ多様なデータを、プライバシーを守りながらAIの学習に活かす「連合学習」という技術の課題を扱っています。
話者の声の特徴を捉えるAIモデルは、意図せず性別・年齢・アクセントなどの個人情報を学習してしまう可能性が示されました。
AIの学習に貢献した個々のデータの「価値」を測る技術は、プライバシーを侵害する危険性があります。
公共の電波を安全に共有する新しい仕組みでは、利用者の身元情報が漏洩するプライバシーリスクが課題でした。
データを暗号化したまま計算できる準同型暗号の、実用上の課題（速度・容量）を解決する新技術「NSHEDB」が提案されました。
AIモデルが「約束通りのデータで正しく学習されたか」を、学習データやモデル内部を一切見せずに証明する新技術「ZKBoost」が提案されました。
AIがセンサーデータから「活動内容」と「個人を特定しうる情報」を自動で仕分ける新しい技術が提案されました。
各端末のデータを集めずにAIを賢くする連合学習は、端末ごとのデータ内容の偏り（不均質性）が課題でした。
多くのユーザー（家族）それぞれに合わせたAIモデルを作るのは、サーバーの負担が非常に大きいという課題がありました。
プライバシーを守りつつAIを学習させる「連合学習」では、各端末のデータがバラバラなため学習が不安定になりやすい課題があります。
文章のプライバシーを守る新しい技術「STAMP」が提案されました。
話の内容に合わせて声の個性をリアルタイムで変化させる新しい音声匿名化技術（TVTSyn）が提案されました。
従来の差分プライバシーのリスク評価手法は、特定の攻撃しか想定していなかったり、評価を誤ったりする可能性がありました。
ブックマークするには Google アカウントでログインしてください。端末をまたいで同期されます。
