情報量圧縮型匿名化: ノイズ注入や暗号化に頼らず性能を低下させないプライバシー保護付き教師あり機械学習

要約: 現代の機械学習システムはますます機微データに依存しており、差分プライバシー（DP）や同型暗号（HE）などの既存のプライバシー保護機械学習（ppML）技術は、性能の低下、複雑さの増大、または著しく高い計算オーバーヘッドという代償を伴ってしか対処できない。
本論文は、情報的圧縮匿名化（ICA）と VEIL アーキテクチャを導入する。これはノイズ注入や暗号化によらず、構造的・数学的設計を通じて強力なプライバシー保証を実現する、プライバシー保護機械学習フレームワークである。ICA は、信頼されたソース環境内に監督付きの多目的エンコーダを埋め込み、生の入力を低次元の、タスクに整合した潜在表現へと変換する。これにより、不可逆的に匿名化されたベクトルだけが、信頼できない訓練環境および推論環境へ出力されることを保証する。
本論文は、これらのエンコーディングが、トポロジー的および情報理論的な議論を用いて構造的に非可逆であることを厳密に証明し、反転が論理的に不可能であることを、理想化された攻撃者の仮定の下でも示す。また、現実的な展開では、元データに対する攻撃者の条件エントロピーが発散し、再構成確率を0へと導く。
従来のオートエンコーダベースのppML手法とは異なり、ICA は表現学習を下流の監督付き目的と整合させることで予測性能を維持し、勾配クリッピング、ノイズ予算、推論時の暗号化を必要とせず、低遅延・高性能な機械学習を実現する。
VEIL アーキテクチャは厳格な信頼境界を強制し、スケーラブルなマルチリージョン展開をサポートし、プライバシー・バイ・デザインの規制フレームワークと自然に整合することで、セキュアで性能が高く、構築時から安全な企業向け機械学習の新しい基盤を確立します。ポスト量子脅威にも対処可能です。