ニーズ

可能な限り幅広いデータを持ちながら、個人のプライバシーを保護する機械学習モデルを作成するには、どうしたらいいでしょうか? 患者はデータの共有を拒否できますが、それによってデータセットがより不均衡または不正確になる可能性があります。 データを匿名化すると、研究における質問に対する答えを見つけるための重要な要素を除外してしまう恐れがあります。 研究者は、個人の匿名性を保護しながら、入手可能なあらゆるデータを研究に含める方法を必要としています。

アイデア

差分プライバシーは、研究者と分析者が個人情報を含むデータセットから有用な洞察を抽出することを可能にすると同時に、より強力なプライバシー保護を提供します。 これは、「統計的ノイズ」を導入することによって実現されます。 ノイズは、個人のプライバシーを保護するのに十分なほど大きく、分析者や研究者が抽出した回答の精度に影響を与えないほど小さいものです。

ソリューション

Microsoft は、差分プライバシーをより有効に活用するため、パートナーと協力してオープンなツールキットを構築しています。 さらに、Confidential Compute のような他のセキュリティ サービスと組み合わせることで、差分プライバシーは、個人のプライバシーを保護しながら研究者が質問に対する答えを見つけるのに役立ちます。

差分プライバシーに関連するプロジェクト

「セキュリティと責任」でプロジェクトを閲覧する

AI の可能性を探る

Microsoft AI の学習リソースと開発ソリューションで、独自の AI イノベーションをすぐに始めることができます。