機械学習のためのプライバシー保護
- ページ数
- ３０７ｐ
- ISBN
- 978-4-320-12587-2
- 著者情報
- Ｃｈａｎｇ，Ｊ．Ｍｏｒｒｉｓ（ＣＨＡＮＧ，Ｊ．ＭＯＲＲＩＳ）（Ｃｈａｎｇ，Ｊ．Ｍｏｒｒｉｓ）
２０１６年から南フロリダ大学電気工学科の教授を務めており、それ以前はアイオワ州立大学（２００１‐２０１６）、イリノイ工科大学（１９９５‐２００１）、ロチェスター工科大学（１９９３‐１９９５）で教員をしていました。学術界に入る前は、ＡＴ＆Ｔベル研究所（１９８８‐１９９０）でコンピュータエンジニアとして勤務していました。最近の研究テーマは、認証からマルウェア検出、プライバシー強化技術、機械学習におけるセキュリティなど、サイバーセキュリティに関する幅広い分野に及び、国防総省（ＤｏＤ）の様々な機関から資金提供を受けています。ノースカロライナ州立大学でコンピュータ工学の博士号を取得しました
Ｄｉ Ｚｈｕａｎｇ（ＤＩ ＺＨＵＡＮＧ）（Ｄｉ Ｚｈｕａｎｇ）
Ｓｎａｐ社のセキュリティエンジニアです。中国天津の南開大学で情報セキュリティと法学の学士号を取得し、南フロリダ大学で電気工学の博士号を取得しています。精力的で熟練したセキュリティとプライバシーの研究者であり、プライバシーの設計、差分プライバシー、プライバシー保護機械学習、ソーシャルネットワーク科学、ネットワークセキュリティに関する興味、専門知識、経験を持っています。２０１５年から２０１８年までＤＡＲＰＡブランダイスプログラムのもとでプライバシー保護機械学習の研究を実施しました
Ｓａｍａｒａｗｅｅｒａ，Ｄｕｍｉｎｄｕ（ＳＡＭＡＲＡＷＥＥＲＡ，ＤＵＭＩＮＤＵ）（Ｓａｍａｒａｗｅｅｒａ，Ｄｕｍｉｎｄｕ）
南フロリダ大学の助教です。オーストラリアのカーティン大学でコンピュータシステムとネットワーキングの学士号を取得しました。また、スリランカのスリランカ情報技術研究所で情報技術の学士号を、イギリスのシェフィールド・ハラム大学でエンタープライズアプリケーション開発の修士号を取得しています。南フロリダ大学（ＵＳＦ）で電気工学の博士号を取得し、サイバーセキュリティとデータサイエンスの研究に注力しました。博士論文“Ｓｅｃｕｒｉｔｙ ａｎｄ Ｐｒｉｖａｃｙ Ｅｎｈａｎｃｍｅｎｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｎ ｔｈｅ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｅｒａ”では、今日のデータ駆動型アプリケーションで特定されたプライバシーとセキュリティの問題を取り上げ、そうした問題を軽減するための詳細なソリューションを提示しました。長年にわたり、米国国防総省が資金提供する複数の大規模サイバーセキュリティ研究プロジェクトに携わってきました
〓橋 翼（タカハシ ツバサ）
２０１４年筑波大学大学院システム情報工学研究科コンピュータサイエンス専攻博士後期課程修了。現在、Ｔｕｒｉｎｇ株式会社Ｐｒｉｎｃｉｐａｌ Ｒｅｓｅａｒｃｈｅｒ。博士（工学）。専門、機械学習、データプライバシー、ＡＩセーフティ
吉永 尊洸（ヨシナガ タカヒロ）
２０１５年東京大学大学院理学系研究科物理学専攻博士後期課程修了。現在、ＬＩＮＥヤフー株式会社部長／データサイエンスティスト。博士（理学）。専門、物理学、データサイエンスおよび機械学習とその応用
高濱 修輔（タカハマ シュウスケ）
２０２１年東京大学大学院情報理工学系研究科知能機械情報学専攻博士前期課程修了。現在、ＬＩＮＥヤフー株式会社機械学習エンジニア修士（情報理工学）。専門、機械学習（画像認識、推薦システム）
長谷川 聡（ハセガワ サトシ）
２０１４年筑波大学大学院システム情報工学研究科コンピュータサイエンス専攻博士前期課程修了。現在、ＬＩＮＥヤフー株式会社リーダー／リサーチェンジニア。修士（工学）。専門、プライバシー保護技術、機械学習
セブン-イレブン受取り(送料無料)
発送目安
発売日（発売日以降は当日）～2日で発送
宅配（送料¥550税込）
発送目安
発売日（発売日以降は当日）～2日で発送
交通状況・天候の影響や注文が集中した場合等、お届けにお時間をいただく場合がございます。
商品説明
差分プライバシー、匿名化、秘密計算、暗号によって、攻撃者からデータを守り、誰もが安心してデータの収集、保管、そして分析ができるようになる。
本書は、プライバシーに配慮しながら機械学習に取り組むための実践的なガイドブックです。
機械学習が社会実装されていく中で、さまざまな人々のパーソナルデータの活用には大きな期待が寄せられています。一方、パーソナルデータには他人に知られたくないセンシティブな情報が含まれることもあり、プライバシーへの配慮が求められています。プライバシー保護機械学習 (PPML) は、データのプライバシー保護と、機械学習モデルの有用性、の両立を図る研究領域であり、2010年代以降、北米を中心として社会実装が進められてきました。
本書では、PPMLの基礎知識から応用まで、幅広く取り扱います。近年の中心的技術である差分プライバシーをはじめとして、圧縮プライバシーやk-匿名化などの古典的なプライバシー保護技術についても解説します。また、これらのプライバシー保護技術の機械学習への統合に関して、ロジスティック回帰などの基礎的なもの、合成データの生成方法、データプラットフォームの構築方法といった実践的なユースケースを交えて紹介します。
本書の特長は、PPMLの基本的・実践的な手法をコード例 (Python) とともに学べる点です。そのため、プライバシーをどう保護するかの実践的スキルをステップバイステップで身につけることができます。先端的な研究に興味のある方だけでなく、産業界での適用に興味のある機械学習エンジニアやソフトウェア開発者にも有益な内容となっています。
［原著］Privacy-Preserving Machine Learning，Manning Publications，2023
目次
第I部 差分プライバシーによるプライバシー保護機械学習の基礎
第1章 機械学習におけるプライバシーへの配慮
1.1 AI時代におけるプライバシーの複雑化
1.2 目的外の学習がもたらす脅威
1.2.1 プライベートなデータはその場で利用する
1.2.2 データはどのようにMLアルゴリズム内部で処理されるのか
1.2.3 プライバシー保護が機械学習において重要な理由
1.2.4 規制要件と有用性：プライバシーのトレードオフ
1.3 MLシステムに対する脅威と攻撃
1.3.1 暗号化されないプライベートデータの問題
1.3.2 再構築攻撃
1.3.3 モデル反転攻撃
1.3.4 メンバーシップ推論攻撃
1.3.5 非匿名化（再識別）攻撃
1.3.6 ビッグデータ解析におけるプライバシー保護の課題
1.4 学習過程におけるプライバシーの担保：プライバシー保護機械学習
1.4.1 差分プライバシーの利用
1.4.2 局所差分プライバシー
1.4.3 プライバシー保護データ合成
1.4.4 プライバシー保護データマイニングの技術
1.4.5 圧縮プライバシー
1.5 本書の構成
第2章 機械学習における差分プライバシー
2.1 差分プライバシーとは何か
2.1.1 差分プライバシーの概念
2.1.2 差分プライバシーの働き
2.2 差分プライバシーの機構
2.2.1 バイナリメカニズム（ランダム化応答）
2.2.2 ラプラスメカニズム
2.2.3 指数メカニズム
2.3 差分プライバシーの特性
2.3.1 差分プライバシーの後処理特性
2.3.2 差分プライバシーのグループプライバシー特性
2.3.3 差分プライバシーの合成特性
ほか
商品詳細
- 出版社名
- 共立出版
- サイズ
- ２４ｃｍ
- 対象年齢
- 一般
- フォーマット
- 単行本
- 原題
- 原タイトル：Ｐｒｉｖａｃｙ‐Ｐｒｅｓｅｒｖｉｎｇ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ
注意事項
- 本の帯に関して
- 帯つきでの出荷はお約束しておりません。
商品ページに、帯のみに付与される特典物等の表記がある場合でも、確実に帯つきでの出荷はお約束しておりません。
また、帯は商品の一部ではなく「広告扱い」のため、帯の有無・破損による交換や返品は承っておりません。 - 版・表紙について
- 版・表紙（カバー）のご指定は承っておりません。ご注文いただくタイミングによっては、お届けする商品の版や表紙が商品ページ上のものとは異なる場合がございます。
また、初版にのみにお付けしている特典（初回特典、初回仕様特典）がある商品は、商品ページに特典の表記がされている場合でも、無くなり次第終了となります。
