機械学習のためのプライバシー保護

共立出版
Ｊ．Ｍｏｒｒｉｓ　Ｃｈａｎｇ　Ｄｉ　Ｚｈｕａｎｇ　Ｇ．Ｄｕｍｉｎｄｕ　Ｓａｍａｒａｗｅｅｒａ　��橋翼　��橋翼　

• 価格: 5,170円（本体4,700円＋税）
• 発行年月: 2025年06月
• 判型: Ｂ５
• ISBN: 9784320125872

内容情報

[BOOKデータベースより]

差分プライバシー、匿名化、秘密計算、暗号によって、攻撃者からデータを守り、誰もが安心してデータの収集、保管、そして分析ができるようになる。

第１部　差分プライバシーによるプライバシー保護機械学習の基礎（機械学習におけるプライバシーへの配慮；機械学習における差分プライバシー；機械学習における差分プライバシーの高度な概念）
第２部　局所差分プライバシーと合成データ生成（機械学習における局所差分プライバシー；機械学習の高度なＬＤＰメカニズム；プライバシー保護された合成データ生成）
第３部　プライバシーを保証する機械学習アプリケーションの構築（プライバシー保護データマイニングの技術；プライバシー保護データ管理と操作；機械学習のための圧縮プライバシー；プライバシーを強化するプラットフォームの設計）
付録　差分プライバシーに関する詳細

[日販商品データベースより]

本書は、プライバシーに配慮しながら機械学習に取り組むための実践的なガイドブックです。
機械学習が社会実装されていく中で、さまざまな人々のパーソナルデータの活用には大きな期待が寄せられています。一方、パーソナルデータには他人に知られたくないセンシティブな情報が含まれることもあり、プライバシーへの配慮が求められています。プライバシー保護機械学習 (PPML) は、データのプライバシー保護と、機械学習モデルの有用性、の両立を図る研究領域であり、2010年代以降、北米を中心として社会実装が進められてきました。
本書では、PPMLの基礎知識から応用まで、幅広く取り扱います。近年の中心的技術である差分プライバシーをはじめとして、圧縮プライバシーやk-匿名化などの古典的なプライバシー保護技術についても解説します。また、これらのプライバシー保護技術の機械学習への統合に関して、ロジスティック回帰などの基礎的なもの、合成データの生成方法、データプラットフォームの構築方法といった実践的なユースケースを交えて紹介します。
本書の特長は、PPMLの基本的・実践的な手法をコード例 (Python) とともに学べる点です。そのため、プライバシーをどう保護するかの実践的スキルをステップバイステップで身につけることができます。先端的な研究に興味のある方だけでなく、産業界での適用に興味のある機械学習エンジニアやソフトウェア開発者にも有益な内容となっています。

［原著］Privacy-Preserving Machine Learning, Manning Publications, 2023