情報管理技術士 学習ノート
← 一覧へ
セキュリティ・個人情報
#PET#개인정보#차분프라이버시#동형암호#연합학습#익명화#134회#128회
最終更新 · 2026-10-01

プライバシー強化技術（PET, Privacy Enhancing Technologies）

1. 概要

A. 定義

データの有用性（活用性）を維持しながら個人情報の識別リスクを除去・最小化するための技術の総称である。データ関連法・GDPRの遵守とデータ活用を同時に達成する。

PETは単一の技術ではなく、目的（プライバシー保護と活用の両立）を共有する技術群を束ねた傘概念である。したがって「PETを導入する」とは特定の製品を買うことではなく、保護対象・脅威モデル・活用目的に合った技法を選び組み合わせる設計行為に近い。これがPETを理解する際に最初に掴むべき観点である。

B. 登場背景および必要性

データ活用とプライバシー保護は伝統的にゼロサム関係と見なされてきた。活用するにはデータを共有せねばならないが、共有すれば個人が露出するためである。企業は「分析するには原本を集めねばならない」と信じ、規制は「集めれば漏れる」と移動を阻んだ。その結果、価値あるデータが各機関のサイロに閉じ込められ活用されない膠着が繰り返された。

特に単なる匿名化だけでは、他のデータと結合して個人を再び特定する再識別攻撃（Re-identification）を防げないことが、複数の事例で明らかになった。代表的にはネットフリックスが公開した匿名の映画評点データが外部のIMDb公開評点と交差結合され相当数の利用者が再識別された事件、また匿名化された公共医療データが投票人名簿と結合され特定の州知事の診療記録が識別された古典的事例は、「識別子だけ消せば安全」という通念が誤りであることを示した。生年月日・性別・郵便番号をいくつか結合しただけで人口の相当割合が一意に特定されるという研究もこれを裏づける。

PETはこのゼロサムを崩すために登場した技術群であり、「データを見せずに計算結果だけを得る」や「個人の寄与を数学的に隠す」という方式で活用と保護を両立（ポジティブサム）させる。すなわちデータを「集めて保護」する代わりに「集めずに活用」したり「暗号化したまま活用」する発想の転換である。AI学習のための大規模データ共有需要が急増し、同時にGDPR・国内の個人情報保護法等の規制が強化されるにつれ、PETは「規制を守りながらデータを使う」唯一現実的な手段として浮上している。

C. 特徴

PETを貫く共通の特徴は三つである。第一に有用性-保護の同時追求であり、二者のうち一方を犠牲にする伝統的アプローチと異なり、両立地点を数学的・構造的に設計する。第二に定量化可能性であり、差分プライバシーのεのように「どれだけ保護されるか」を測定可能な指標として提示しリスクを管理する。第三に組合せ前提（Composable）であり、どの技法も単独では万能でないため、脅威モデルに合わせて複数の技法を重ねて使うことを前提とする。これらの特徴は後の分類・組合せの議論で繰り返し確認される。

2. 分類体系

PETはアプローチ原理により三つの系統に分かれる。下の分類図は「データ自体を変形するか、暗号化したまま計算するか、そもそも集めないか」という三つの戦略を示す。

flowchart TB
  P["PET"] --> A["非識別技術"]
  P --> B["暗号ベース"]
  P --> C["分散·協調学習"]
  A --> A1["仮名化/匿名化"]
  A --> A2["差分プライバシー"]
  B --> B1["準同型暗号"]
  B --> B2["ゼロ知識証明 ZKP"]
  B --> B3["多者間計算 MPC"]
  C --> C1["連合学習 FL"]

非識別技術はデータ自体を変形して識別性を下げる系統で、処理後のデータをそのまま活用できるため簡単だが、再識別リスクが完全には消えない。最も伝統的で法・制度と最も密着した領域であり、仮名情報制度の根幹をなす。

暗号ベースの系統はデータを暗号化したまま計算したり（準同型暗号）、原本を露わさず事実だけを証明したり（ZKP）、複数の参加者が各自のデータを隠したまま共同計算する（MPC）。数学的に強力な安全性を保証するが、演算・通信コストが大きいという共通の弱点を持ち、性能最適化が実務導入の鍵となる。

分散・協調学習の系統はデータを一箇所に集めず各自の場所で学習しモデルだけを共有する連合学習で、データ移動そのものをなくす点で発想が異なる。「保護」ではなく「そもそも移さない」ことで危険を除去するアプローチである。

三系統は保護の「位置」が異なる。非識別はデータ自体に、暗号ベースは演算過程に、分散学習はデータの所在（位置）に保護の焦点を置く。この違いを理解してこそ状況に合った組合せを設計できる。

3. 主要技術

各技術は「何を隠し何を得るか」のトレードオフが異なる。下のアーキテクチャ図は連合学習（FL）を例に、原本データは各自に置き学習されたモデルパラメータだけが中央に集まる流れを示す。

flowchart LR
  subgraph Site1["病院A"]
    D1["ローカルデータ"] --> M1["ローカル学習"]
  end
  subgraph Site2["病院B"]
    D2["ローカルデータ"] --> M2["ローカル学習"]
  end
  M1 -->|"パラメータのみ"| G["中央集計(グローバルモデル)"]
  M2 -->|"パラメータのみ"| G
  G -->|"更新モデル配布"| M1
  G -->|"更新モデル配布"| M2

仮名化/匿名化は氏名・住民番号のような識別子を仮名・マスキングで置換する最も基本的な方法で、法的根拠が明確で処理が簡単である。しかし前述の再識別事例のように、直接識別子を消しても準識別子（年齢・地域・職業等）の組合せで個人が再び特定されうるため、k-匿名性・l-多様性のような追加モデルで結合リスクを統制する。簡単だが「どれだけ消せば安全か」の判断が難しい点が本質的な限界である。

差分プライバシー（DP）は統計結果に精緻に計算された雑音を加え、「特定の個人がデータに含まれるか否かが結果に及ぼす影響」を数学的に制限する。この影響の上限をε（イプシロン）で定量化し、εが小さいほど保護は強いが結果の正確度は落ちる。個別の回答者を保護しつつ全体統計の有用性は守る原理で、数学的な証明可能性が他の非識別技法と区別される強みである。

準同型暗号（HE）は復号なしに暗号文の状態で加算・乗算の演算を行い、機微なデータを暗号化したままクラウドに委ね計算させても原本が露出しない。「開かずに計算する」点で最も理想的だが、演算が平文比で数千〜数万倍遅くなりうるため性能が最大の障壁である。ゼロ知識証明（ZKP）は秘密値を公開せず「その値を知っている/条件を満たす」という事実だけを証明し、年齢を明かさず成人であることだけ証明したり、ブロックチェーンで残高を隠したまま取引の有効性を証明するのに使われる。

多者間計算（MPC）は複数の機関が各自のデータを公開せず共同関数だけを計算する技法で、どの参加者も他者の入力を知り得ないが最終結果は共に得る。連合学習（FL）は原本の代わりにローカル学習で得たモデルパラメータだけを中央に集め統合するためデータ移動がないが、共有されたパラメータから原本の一部を逆推論する攻撃の可能性が残るため、通常DP等と結合して補強する。

技術 原理 長所 限界（トレードオフ）
仮名化/匿名化 識別子の置換·除去 簡単·法的根拠 再識別リスクが残存
差分プライバシー（DP） 統計への雑音付加 数学的保証（ε） 正確度の損失
準同型暗号（HE） 暗号状態での演算 強力な機密性 高い演算コスト
ゼロ知識証明（ZKP） 露出なしの事実証明 認証·ブロックチェーン活用 証明設計が複雑
多者間計算（MPC） 共有なしの共同演算 多機関協業分析 通信オーバーヘッド
連合学習（FL） パラメータのみ共有 データ移動なし モデル逆推論リスク

4. 適用事例

PETはデータ移動が法・競争上困難な領域で特に真価を発揮する。金融では複数の銀行が顧客データを互いに渡さずMPCで共同の不正検知モデルを回し、単独では捕まえられない複数銀行にまたがる資金洗浄・異常取引を検知する。競合でありかつ規制対象である銀行同士が「データは各自に置き結果だけ共有」できる点が核心で、これは伝統的なデータ共有では不可能だった協業である。

医療では患者データを病院の外に出せない規制・倫理的制約が強いため、各病院がローカル学習だけを行いモデルパラメータを集める連合学習で疾病診断・画像読影モデルを共同開発する。例えば複数の病院が各自の希少疾患画像をモデル学習にのみ使い原本は共有しないことで、単一病院のデータでは足りなかった学習量を確保しつつ患者のプライバシーを守る。

統計・公共では人口統計を公開する際、差分プライバシーで雑音を加え個別回答者の保護と統計の有用性を同時に確保する。米国国勢調査局（US Census Bureau）が2020年センサスに差分プライバシーを実際に採用したのが代表例で、国家統計という巨大な規模でDPが実用的に適用できることを立証した。さらにデータ結合の領域では仮名情報を結合専門機関を通じて安全に結合し、外部搬出を統制するデータ安心区域（Secure Processing Environment）で分析させることで、制度と技術を併行する。

広告・マーケティング分野も代表的な適用先である。サードパーティクッキー廃止の流れに合わせ、個別の利用者を追跡せずに広告効果を測定しようとする需要が高まるにつれ、差分プライバシー・集計ベースの測定といったPETが導入されている。広告主と媒体社が各自の顧客データを直接交換せずデータクリーンルーム（Data Clean Room）の中で集計結果だけを確認する方式がその例で、個人単位の識別なしにキャンペーン成果だけを得るポジティブサムの典型を示す。

分野 活用
金融 機関間の不正検知共同分析（MPC）
医療 病院間の連合学習（FL）
統計·公共 差分プライバシーベースの統計公開
データ結合 仮名情報結合·データ安心区域

5. 深化: 規制·標準·市場動向

PETは今や学術概念を越え規制機関が積極的に推奨する手段として定着しつつある。英国ICOや国連等はPET活用ガイドを発表し、米国・英国はPETベースの革新を競う共同チャレンジを運営する等、政策的なドライブがかかっている。GDPRが要求するデータ保護中心設計（Data Protection by Design）を技術的に実装する事実上の標準手段としてPETが指目される流れである。

技術標準化も進展している。準同型暗号は国際HomomorphicEncryption.orgコミュニティを中心にパラメータ・安全水準の標準化が議論され、ISO/IECでも非識別・プライバシー技術関連の標準（例: ISO/IEC 20889 非識別の用語・技法分類）が整備されている。標準化は「各機関がばらばらに主張していた安全性」を共通の尺度で比較・検証できるようにし、PETが研究室を越え調達・監査の対象となる制度圏技術として定着する土台となる。

市場の観点でPETは「費用センター（規制対応）」から「価値創出手段（データ協業・収益化）」へ再解釈されつつある。かつては規制を避けるための防御的支出と見なされたが、今は競合社・他産業と安全にデータを結合して新たな分析価値を生み出す協業の前提条件として認識が変わりつつある。この認識転換がPET市場の成長を牽引する根本的な動力である。

予想出題方向の観点で、PETは「AI・データ活用」と「プライバシー保護」が衝突する地点を問う問題で定番の解法として登場する。したがって答案では個別技法の列挙にとどまらず、「なぜ組み合わせねばならないか（単一技法の限界）」と「制度とどう噛み合うか（仮名情報・安心区域）」を連結して叙述することが高得点戦略である。

6. 考慮事項および示唆点

  • 単一技術の限界と組合せ: どれか一つで完結しないため技法を組み合わせる。例えば連合学習（FL）だけではパラメータから原本が逆推論されうるためFL + DPで雑音を加え、MPCとHEを結合して協業と機密性を共に確保する形で、脅威モデルに合わせた重層防御を構成せねばならない。
  • 性能-正確度の実用的チューニング: HE・MPCの演算・通信コストとDPの正確度損失は実務導入の障壁であるため、保護水準（ε等）と性能・正確度を業務要求水準に合わせて調整する運用力が鍵である。過剰な保護はデータを無用にし、不足の保護は規制違反を生む。
  • 制度·ガバナンスの併行: 技術だけでは不足で、個人情報保護法・仮名情報制度とプライバシー中心設計（PbD）原則を共に適用し、設計段階からプライバシーを内在化してこそ持続可能である。技術は手段でありガバナンスが枠組みである。
  • 検証·透明性の確保: PET適用の結果が「本当に安全か」を組織自ら主張するにとどまらず、再識別リスク評価・プライバシー影響評価（PIA）と外部検証を通じて立証してこそ信頼を得る。ε値等の保護パラメータの選定根拠も文書化せねばならない。
  • 将来の脅威への備え（暗号機敏性）: 準同型暗号・ZKP等の暗号ベースのPETは今後の量子計算等の演算環境の変化に影響を受けうるため、特定アルゴリズムに固着せず交換可能な構造（暗号機敏性, Crypto-agility）で設計し長期の安全性を確保せねばならない。

参考資料

一言まとめ: PETは仮名・匿名化、差分プライバシー、準同型暗号、ZKP、MPC、連合学習等でデータ活用とプライバシー保護を両立させる技術群であり、保護の焦点（データ・演算・所在）が異なる三系統を理解して脅威モデルに合わせて組み合わせ（FL+DP等）、仮名情報制度・PbDと併行することが鍵である。