差分プライバシーとは、統計クエリの結果に数学的ノイズを加えることで特定個人のデータが特定・漏洩しないことを確率的に保証するプライバシー保護技術のこと。
差分プライバシー (Differential Privacy)とは（詳しく解説）
差分プライバシー（Differential Privacy）は、データセットへの問い合わせ結果に対して、ある1人のデータが存在するかどうかをほぼ区別できなくする技術だ。プライバシー保護強度はε（イプシロン）パラメータで定量化され、値が小さいほど保護が強いが統計精度は低下する。 Google・Appleはすでに端末利用統計収集に本番採用済みで、2026年現在はLLMのファインチューニングへの応用（DP-SGD）が医療・金融領域を中心に急拡大している。ε=0.1〜1.0の範囲でユースケースごとに調整するのが実運用の定石とされる。 実運用での最大の落とし穴はε設定の難しさで、ε>1では保護が形骸化しGDPR審査で通らないケースがあり、ε<0.01では精度劣化が深刻でビジネス価値が失われる。Google DP LibraryやPyTorch Opacusは無料だが、精度補正に必要なデータ量増加でインフラコストが1.5〜3倍になる事例も多い。 2026年の個人情報保護法改正とEU AI Actの施行を受け、生成AIの学習・推論パイプラインに差分プライバシーを組み込む対応が事実上の業界標準になりつつある。導入前にユースケースの精度要件と規制要件を照合し、εの許容範囲を先に決めることが現場での選び方の鉄則だ。
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「差分プライバシー (Differential Privacy)とは」 https://aipicks.jp/glossary/differential-privacy
差分プライバシー (Differential Privacy)の使用例
- 社内医療データでLLMをファインチューニングする際にDP-SGD（ε=0.5）を適用し、患者個人情報の流出リスクをGDPR準拠レベルに抑えた。
- Apple・Googleが端末利用統計収集に採用済み。個別ユーザーを特定できないまま全体傾向を把握でき、規制対応と分析精度を両立できる。
