A Study on Locally Private Algorithms for Large-Scale Personal Data

2021 Fiscal Year Final Research Report

• Project/Area Number: 19H04113
• Research Category: Grant-in-Aid for Scientific Research (B)
• Allocation Type: Single-year Grants
• Section: 一般
• Review Section: Basic Section 60070:Information security-related
• Research Institution: National Institute of Advanced Industrial Science and Technology
• Principal Investigator: Murakami Takao 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 主任研究員 (80587981)
• Co-Investigator(Kenkyū-buntansha): 日野 英逸 統計数理研究所, モデリング研究系, 教授 (10580079) ; 清 雄一 電気通信大学, 大学院情報理工学研究科, 准教授 (20700157) ; 松田 隆宏 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 主任研究員 (60709492) ; 川本 裕輔 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 主任研究員 (60760006)
• Project Period (FY): 2019-04-01 – 2022-03-31
• Keywords: 局所型プライバシー / 差分プライバシー / 時系列データ / グラフデータ / 安全性指標

Outline of Final Research Achievements

In this work, we studied locally private algorithms for large-scale personal data, such as time-series data (e.g., location traces) and social graph data. Specifically, we proposed a locally private algorithm based on LSH (Locality Sensitive Hashing), a location trace synthesizer, and graph LDP (Local Differential Privacy) algorithms with utility guarantees. We also proposed a privacy notion called ULDP (Utility-Optimized LDP), which provides privacy guarantees equivalent to LDP for only sensitive data.

Free Research Field

プライバシー保護

Academic Significance and Societal Importance of the Research Achievements

従来の局所型プライバシー保護技術のほとんどは，各データが独立であると仮定しており，長期間にわたる時系列データ（位置情報など）やソーシャルグラフデータのような相関を持ったパーソナルデータには適用できない．本研究での成果は，このようなデータに対しても安全性や有用性の理論的保証を与え，ユーザにプライバシーの観点での安心感を与えつつ，パーソナルデータの利活用促進を加速させることが可能となる．