データを外に出さずに、
AIを活かす技術。

これは何？

統計や集計の結果に数学的に制御されたノイズを加え、特定の個人がデータに含まれていたかどうかを結果から見分けられなくする枠組みです。プライバシーの損失量を「予算」として定量的に扱えるのが特徴です。

仕組み

各集計に対し、結果への一人分の影響（感度）に見合ったランダムノイズを加えます。ノイズの大きさは ε（イプシロン）というパラメータで調整し、小さいほど強い保護、大きいほど高い精度になります。

たとえば

大手のOS・キーボードやセンサス（国勢調査）が、利用傾向の集計や統計公表に差分プライバシーを採用し、全体の傾向を得ながら個々のユーザーを守っています。

トレードオフ

プライバシーと精度は本質的にトレードオフで、強く守るほど結果が粗くなります。プライバシー予算は使うほど減り、少人数のグループや外れ値の分析には特に不利です。

これは何？

生データを一か所に集めることなく、各端末やサーバー上で学習し、その「更新分」だけを持ち寄って一つのモデルを育てる分散学習の方式です。データを手元から動かさずにAIを鍛えられます。

仕組み

中央サーバーが現在のモデルを配り、各参加者が自分のデータで少しだけ学習します。得られた重みの変化だけを送り返し、サーバーがそれらを平均して次のモデルを作ります。これを繰り返します。

たとえば

スマートフォンの予測変換や音声認識は、入力そのものを送らず端末上で学習し、改善分だけを共有して全ユーザー向けモデルを向上させています。

トレードオフ

更新分から情報が漏れる可能性があるため、差分プライバシーや秘密計算との併用が望まれます。端末の性能差や通信コスト、悪意ある参加者への対策も課題です。

これは何？

データを暗号化したまま加算や乗算などの計算ができる暗号技術です。処理を任せる相手に中身を一切見せずに、結果だけを暗号化された形で受け取り、自分の鍵で復号できます。

仕組み

暗号文どうしの演算が、平文どうしの演算に対応するよう設計された特殊な暗号方式を使います。加算・乗算を任意に組み合わせられる「完全準同型暗号(FHE)」により、原理上はあらゆる計算が暗号化のまま可能です。

たとえば

クラウドに暗号化した医療・金融データを預けたまま集計や推論を実行し、事業者にはデータの中身を知られずに結果だけを取り戻す、といった使い方が研究・実証されています。

トレードオフ

計算コストが平文処理に比べて桁違いに重く、複雑な処理には時間がかかります。近年高速化が進むものの、用途は演算量の限られた場面に絞られがちです。

これは何？

複数の参加者が、それぞれの入力を互いに明かさずに、協力して一つの計算結果を得られる暗号プロトコルです。信頼できる第三者を置かずに「答えだけ」を共有できます。

仕組み

各入力を「秘密分散」で複数の断片に分け、参加者に配ります。断片単体では元の値は分かりませんが、決められた手順で断片どうしを計算し合うと、最後に正しい結果だけが復元されます。

たとえば

複数の病院や企業が、自社データを開示せずに共同で統計や機械学習を行う、あるいは男女の賃金格差を各社の給与を伏せたまま算出する、といった協調分析に使われています。

トレードオフ

参加者間の通信量が多く、ネットワーク遅延の影響を受けやすい点が課題です。参加者の一部が結託・逸脱する場合への耐性は、採用するプロトコルの設計に依存します。

これは何？

CPU内部に設けた隔離領域（TEE, 信頼実行環境）でコードとデータを保護し、処理の最中でも外部から中身を覗けないようにする技術です。保存時・通信時に加え、「使用時」のデータを守るのが機密計算の核心です。

仕組み

TEE内のメモリは暗号化・アクセス制限され、OSやクラウド管理者even でも中身を読めません。さらに「リモート・アテステーション」により、正しいコードが安全な環境で動いていることを外部から検証できます。

たとえば

主要なクラウドは機密計算対応のVMやGPUを提供しており、事業者にデータや推論内容を見られずに、暗号化された環境でAI処理を実行できます。

トレードオフ

安全性の根拠がハードウェア製造元への信頼に依存し、サイドチャネル攻撃などの脆弱性報告もあります。利用できる環境やメモリ量にも制約があります。

これは何？

ある主張が正しいことを、その根拠となる情報を一切明かさずに相手へ証明できる暗号技術です。「知っている／条件を満たす」ことだけを伝え、データそのものは渡しません。

仕組み

証明者と検証者がやり取りを行い、証明者は秘密を知っている場合にのみ通過できる一連の応答を返します。近年は一度の送信で検証できる非対話型（zk-SNARK/zk-STARKなど）が主流になりつつあります。

たとえば

生年月日を見せずに「成人である」ことを示す、パスワードを送らずに本人性を証明する、ブロックチェーンで取引の正しさを内容を隠して検証する、といった場面で使われます。

トレードオフ

証明の生成に計算コストがかかり、方式によっては初期設定（信頼できるセットアップ）が必要です。回路として表現しにくい処理には適用が難しい場合があります。

これは何？

複数の組織が、それぞれの生データを互いに開示することなく、共通の集計や分析を安全に行うための管理された共同環境です。出力できるのは統計や重なりの規模など、個人を識別しない結果に限定されます。

仕組み

各社のデータは隔離された領域に持ち込まれ、あらかじめ合意した問い合わせだけが実行されます。個人単位の抽出は禁止され、少人数の結果は出さない（閾値）などのルールや、内部で差分プライバシー・秘密計算を組み合わせることもあります。

たとえば

広告主とメディアが、共通の顧客層の規模や重なりを、各自の顧客リストを相手に渡さずに測定する用途で広く使われています。

トレードオフ

運用側の設定や信頼に依存する部分が残り、集計結果からの推測（再識別）リスクをゼロにはできません。参加者間のデータ整備や取り決めにも手間がかかります。

これは何？

クラウドにデータを送らず、スマートフォンやPC、センサーなどの端末内でモデルを実行する方式です。生データが外に出ないため、プライバシーと低遅延を同時に実現できます。

仕組み

量子化や蒸留などでモデルを小さく軽くし、端末のCPU/GPU/NPUで動かします。処理は手元で完結し、必要なときだけ結果や匿名化された要約を共有します。

たとえば

顔認証によるロック解除、写真の被写体認識、オフラインの音声入力や翻訳などは、多くが端末内で完結し、画像や音声をクラウドへ送りません。

トレードオフ

端末の計算能力やメモリ、電力の制約から、巨大なモデルはそのままでは動かせません。各端末へのモデル配布・更新の運用も必要になります。

これは何？

実データの統計的な性質やパターンを模して人工的に生成したデータです。本物の個人情報を使わずに、開発・検証・共有・学習を進められます。

仕組み

生成モデル（GANや拡散モデル、統計モデルなど）で元データの分布を学習し、そこから新しい人工サンプルを作ります。差分プライバシーを組み込むと、元の個人の再現を数学的に抑えられます。

たとえば

患者データや取引データが少ない・共有しにくい領域で、合成データを作ってAIの学習やソフトウェアのテスト、社外パートナーとの共有に使う取り組みが広がっています。

トレードオフ

元データの偏りを受け継いだり、稀な事象を十分に再現できなかったりします。生成の仕方が甘いと実在の個人が復元される恐れもあり、品質とプライバシーの検証が欠かせません。

これは何？

各レコードが、準識別子（年齢・性別・郵便番号など）の組み合わせにおいて、少なくとも他のk-1人と区別できなくなるようデータを加工する古典的な匿名化手法です。

仕組み

値を粗くする（例：年齢を「30代」に丸める）一般化や、一部を伏せる抑制によって、同じ属性を持つ人がk人以上いる状態を作ります。攻撃への耐性を高めるため、属性の多様性を保つl-多様性や、分布の近さを保つt-近接性で補強することもあります。

たとえば

医療統計やオープンデータの公開時に、住所や年齢を丸めて特定の個人を絞り込めないようにする、といった前処理として使われます。

トレードオフ

外部データと突き合わせる連結攻撃には弱く、単独では再識別を防ぎきれません。保護を強めるほどデータは粗くなり、有用性が下がります。

これは何？

目的に必要な最小限のデータだけを集め・保持するという原則（データ最小化）と、自分のデータを誰がどう使うかを自ら決められる状態（データ主権）を指します。最も確実なプライバシー保護は、そもそもデータを外に出さないことから始まります。

仕組み

収集項目を絞り、保存期間を短くし、不要になったデータは削除します。処理は端末やユーザーの管理下で行い、外部には結果や匿名化した要約だけを渡す設計にすることで、リスクの総量そのものを減らします。

たとえば

位置情報を保存せずその場の判断にだけ使う、年齢確認で生年月日ではなく「成人か否か」だけを扱う、といった設計が該当します。CODASが目指す「生データを外に出さずにAIを使う」思想の土台です。

トレードオフ

後から使えたはずの分析機会を手放すことにもなり、事業側の欲求とぶつかりがちです。何が「必要最小限」かの線引きには継続的な判断が求められます。