最終更新日：2026年8月27日
gk security privacy
G検定トップ
＞ 差分プライバシー（Differential Privacy）とは？【G検定対策】
まず結論
差分プライバシー（Differential Privacy）は、データセットにある1人のデータが含まれる場合と含まれない場合で、出力の確率分布が大きく変わらないように制限するプライバシー保証です。
G検定では、単に「ノイズを加える技術」と覚えるより、1人分のデータの影響を限定する考え方として押さえます。
直感的な説明
ある統計結果を見ても、
「この人のデータが入っていたから、この結果になった」
と強く推測できないようにしたい、という発想です。
隣り合う2つのデータセット、つまり1人分だけ違うデータセットから得られる結果を比べても、出力の傾向が大きく変わらないようにします。
定義・仕組み
差分プライバシーは、ランダム化された処理に対する数学的なプライバシー保証です。
代表的には次の考え方を使います。
- 1人分だけ異なる「隣接データセット」を比較する
- 出力の確率分布の違いを一定範囲に抑える
- ε（イプシロン）などのパラメータでプライバシー保証の強さを表す
一般に、εが小さいほど強いプライバシー保証を意味しますが、精度・有用性とのバランスも考える必要があります。
ノイズを加える方法は代表的な実現手段ですが、差分プライバシーの本質はノイズそのものではなく、保証される性質です。集計結果にノイズを加える場合もあれば、学習アルゴリズムの途中でランダム化を行う場合もあります。
いつ使う？（得意・不得意）
- 統計情報を公開するとき
- 個人データを使った機械学習
- 学習データに含まれた個人について推測されるリスクを抑えたいとき
差分プライバシーは、メンバーシップ推論などのプライバシー攻撃へのリスク低減に役立つことがあります。ただし、あらゆる攻撃を完全に防ぐ万能策ではありません。
G検定ひっかけポイント
- ❌「1人を追加・削除しても出力が必ず完全に同じ」→ 確率分布の変化を制限する保証
- ❌「差分プライバシー＝暗号化」→ 別の概念
- ❌「差分プライバシー＝匿名加工情報」→ 法律上のデータ区分ではなく、数学的なプライバシー保証
- ❌「ノイズを加えれば何でも差分プライバシーになる」→ 所定の保証を満たす必要がある
- ⭕「1人分のデータの有無による影響を限定する」→ 差分プライバシー
まとめ（試験直前用）
- 差分プライバシー＝1人分のデータの影響を限定する保証
- 隣接データセットの出力分布を比較する
- ノイズ付与は代表的手段だが、本質は保証の性質
- 一般にεが小さいほどプライバシー保護が強い
- 暗号化・匿名加工情報とは別概念