微分プライバシーへの包括的なガイド：理論からユーザーの期待まで

arXiv:2509.03294v3 発表タイプ: replace-cross 本文：個人データの可用性が高まり、機械学習、医療、サイバーセキュリティなどの分野で重要な進歩を遂げた。しかし、このデータ大量化は、強力な再特定攻撃や、責任あるデータ利用に関する増加する法的・倫理的要求を背景に、深刻なプライバシー懸念を高める側面もある。微分プライバシー（Differential Privacy, DP）は、これらのリスクを緩和するための原理主義的で数学的に確立した枠組みとして台頭してきた。本レビューでは、DP の理論的基礎から実用的なメカニズム、実世界への適用までを包括的に調査する。主要なアルゴリズムツールと、特にプライバシーを保全した機械学習と合成データ生成におけるドメイン特異的な課題を探る。また、DP システムにおける使いやすさの問題や、向上されたコミュニケーションと透明性の必要性にも言及する。全体として、研究者や実践者が進化するデータプライバシーの地盤を駆け抜ける中で、有根拠な DP 導入を支えることを目的とする。

arXiv:2509.03294v3 Announce Type: replace-cross Abstract: The increasing availability of personal data has enabled significant advances in fields such as machine learning, healthcare, and cybersecurity. However, this data abundance also raises serious privacy concerns, especially in light of powerful re-identification attacks and growing legal and ethical demands for responsible data use. Differential privacy (DP) has emerged as a principled, mathematically grounded framework for mitigating these risks. This review provides a comprehensive survey of DP, covering its theoretical foundations, practical mechanisms, and real-world applications. It explores key algorithmic tools and domain-specific challenges - particularly in privacy-preserving machine learning and synthetic data generation. The report also highlights usability issues and the need for improved communication and transparency in DP systems. Overall, the goal is to support informed adoption of DP by researchers and practitioners navigating the evolving landscape of data privacy.