合成データでプライバシーを守るとき、機微な変数どうしの関係は隠しつつ、それ以外の統計的な性質はできるだけ残したい、という要求があります。この研究では、ノンパラメトリックベイズモデル CrossCat のビュー構造に制約を加えることで、指定した変数間の統計的依存を選択的に取り除く方法を提案しました。
発表
- Symposium of Design and Science 2025(千葉工業大学, 東京)でポスター発表, 2025 年 7 月 5 日
- 著者: Shohei Yoshida, Grisha Szep, Mizuki Oka
内容
- CrossCat は列を「ビュー」に分け、同じビューに入った列どうしの依存をモデル化します。機微な変数が同じビューに入らないよう制約することで、それらの間の依存を合成データから取り除きます
- 合成データセットで、プライバシーと有用性のトレードオフを制御可能かつ透明に扱えることを示しました
- JAX / GenJAX を使い、推論を最大約 700 倍高速化しました