k-匿名化

同じ属性の組合せをもつ人がデータ中に必ずk人以上存在するように加工し、個人を特定できないようにする匿名化手法。kが大きいほど安全性は高まるが、データの有用性は下がる。

公開するデータについて、同じ属性の組合せを持つレコードが必ずk件以上存在するように一般化や削除を行い、個人を特定できないようにする手法。kが大きいほど安全性は高まるが、データの有用性は下がる。

同じ属性の組合せを持つレコードが必ずk件以上存在するようにデータを加工し、個人の特定を困難にする手法。kの値が大きいほど安全性は高まるが、データの有用性は下がる。

個人データを匿名化する高度な手法の一つで、年齢や住所などの組合せが同じレコードがデータ中に必ずk件以上存在するように、値の一般化や削除を行うこと。どのレコードも少なくともk人のうちの誰かまでしか絞り込めないため、他の情報と照合して個人を特定されることを防ぐ。kが大きいほど安全だが、データの精度は下がる。

個人データを匿名化する一般的な手法の一つで、極端に大きい値または小さい値を、ある閾値でまとめて置き換えること。例えば年齢が90歳以上の値をすべて「90歳以上」とし、少数で特定されやすい外れ値を持つ人の特定を防ぐ。上側をまとめるのがトップコーディング、下側をまとめるのがボトムコーディング。

他の情報と照合しない限り特定の個人を識別できないように、氏名などの記述の削除や置換えを行って個人情報を加工した情報で、2022年施行の改正で創設された。加工の程度が匿名加工情報より軽くデータの有用性を保てるため、事業者の内部での分析や機械学習に使いやすい。利用目的の変更の制限が緩和される一方、原則として第三者への提供は禁止される。

個人データの匿名化・秘匿化で、識別につながる情報を削除する単位による3つの手法。項目削除は、氏名や電話番号のような識別性の高い項目（列）をすべてのレコードから除く。レコード削除は、極端に珍しい属性の組合せを持つなど特定されやすい人のレコード（行）全体を除き、セル削除はそのレコードの中で特定されやすい値だけを除いてほかの値は残す。

個々の事例や観察の結果から、それらに共通する一般的な規則や法則を導く推論。「見たカラスはすべて黒い」から「カラスは黒い」を導くような推論で、新しい知識を得られるが、反例が見つかれば覆るので結論は必ずしも正しくない。データから規則を学ぶ機械学習は帰納推論の一種といえる。