「自分のデータを誰にも見られずに、他の人のデータと合わせて分析したい…」
そんな願いを叶える技術が「秘密計算」です。そして、その秘密計算を実現するための重要な手法の一つがマルチパーティ計算（Multi-Party Computation, MPC）です。
近年、データプライバシーの重要性が高まる中で、MPCは医療、金融、マーケティングなど様々な分野で注目を集めています。
この記事では、
- マルチパーティ計算（MPC）とは何か？
- なぜ重要なのか？
- 具体的にどのような仕組みで動いているのか？（簡単な例で解説！）
といった点について、初心者の方にも分かりやすく解説していきます。
マルチパーティ計算（MPC）とは？
マルチパーティ計算（MPC）とは、複数の参加者（パーティ）が、互いの入力データを秘密にしたまま、そのデータ全体に対する計算結果を得るための暗号技術のことです。
簡単に言うと、「中身を見せずに箱の中の物だけで計算する」ようなイメージです。各参加者は自分の「箱の中身（データ）」を他の参加者に見せることなく、全員の「箱の中身」を使った計算結果だけを知ることができます。
なぜMPCが重要なのか？
現代社会では、膨大なデータが生成・収集されています。これらのデータを分析・活用することで、新しい知見を得たり、より良いサービスを生み出したりできます。しかし、データには個人のプライバシーや企業の機密情報など、慎重に扱うべきものが多く含まれています。
MPCを使えば、プライバシーや機密性を保護したまま、複数の組織や個人が持つデータを安全に統合・分析することが可能になります。例えば、以下のような場面で役立ちます。
- 医療研究: 複数の病院が持つ患者データを、個々の患者情報を秘匿したまま統合し、病気の傾向分析や新薬開発に役立てる。
- 金融不正検知: 複数の銀行が、互いの取引データを明かすことなく共有・分析し、不正送金パターンなどを検出する。
- 市場調査: 複数の企業が顧客データを持ち寄り、個人を特定できない形で市場全体の動向を分析する。
MPCの仕組み：簡単な例で見てみよう！
MPCを実現する技術はいくつかありますが、ここでは比較的理解しやすい「秘密分散（Secret Sharing）」という手法を使った簡単な例を見てみましょう。
例題：3人の年収の合計を、個々の年収を秘密にしたまま計算する
Aさん、Bさん、Cさんの3人がいます。それぞれの年収は \(x_A\), \(x_B\), \(x_C\) です。3人は、お互いの年収を知られたくないけれど、3人の年収の合計 \(S = x_A + x_B + x_C\) だけを知りたいと考えています。
MPC（秘密分散）を使うと、以下のステップでこれを実現できます。
ステップ1：秘密の分散（シェアリング）
まず、各参加者は自分の秘密情報（年収）を、それ単体では意味をなさない複数の「断片（シェア）」に分割し、他の参加者に配布します。
- Aさん (\(x_A\)):
- \(x_A\) を、足すと元に戻る (\(x_A = x_{A1} + x_{A2}\)) ような2つのランダムな数値 \(x_{A1}\),\(x_{A2}\) に分割します。（例えば、\(x_A\)=500 なら、\(x_{A1}\)=123, \(x_{A2}\)=377 のようにランダムに分けます）
- \(x_{A1}\) をBさんに、\(x_{A2}\) をCさんに送ります。Aさん自身は \(x_A\) を保持しますが、\(x_{A1}\),\(x_{A2}\) は手元に残りません。
- Bさん (\(x_B\)):
- 同様に \(x_B\) を \(x_{B1}\), \(x_{B2}\) に分割 \(x_{B1}\) します。
- \(x_{B1}\) をAさんに、\(x_{B2}\) を(\(x_B = x_{B1} + x_{B2}\))さんに送ります。
- Cさん (xC):
- 同様に \(x_C\) を \(x_{C1}\), \(x_{C2}\) に分割 (\(x_C = x_{C1} + x_{C2}\)) します。
- \(x_{C1}\) をAさんに、\(x_{C2}\) をBさんに送ります。
この時点で、各参加者が持っている情報は以下のようになります。
- Aさん: \(x_{B1}\), \(x_{C1}\)
- Bさん: \(x_{A1}\), \(x_{C2}\)
- Cさん: \(x_{A2}\), \(x_{B2}\)
ポイント: 各参加者は、他の参加者の年収そのものではなく、分割された断片（シェア）しか受け取っていません。例えば、Aさんは \(x_{B1}\) を受け取りましたが、これだけではBさんの年収 \(x_B\) を知ることはできません（\(x_{B2}\) が分からないため）。
ステップ2：ローカルでの計算
次に、各参加者は自分の手元にあるシェアを単純に足し合わせます。
- Aさん: \(S_A = x_{B1} + x_{C1}\) を計算する。
- Bさん: \(S_B = x_{A1} + x_{C2}\) を計算する。
- Cさん: \(S_C = x_{A2} + x_{B2}\) を計算する。
ポイント: この時点でも、まだ誰も合計値を知ることはできません。
ステップ3：結果の復元
最後に、全員が計算した部分的な結果 \(S_A\),\(S_B\),\(S_C\) を集めます。（全員が信頼できる場所に集まるか、信頼できる第三者に送信します）
集まった部分的な結果をすべて足し合わせると、最終的な合計値 \(S\) が得られます。
\(S = S_A + S_B + S_C\)
なぜなら、
\(S = (x_{B1} + x_{C1}) + (x_{A1} + x_{C2}) + (x_{A2} + x_{B2})\)
足し算の順序を変えると、
\(S = (x_{A1} + x_{A2}) + (x_{B1} + x_{B2}) + (x_{C1} + x_{C2})\)
これは、ステップ1の分割方法から、
\(S = x_A + x_B + x_C\)
となり、知りたかった3人の年収の合計値が計算できました！
重要なこと: このプロセス全体を通して、Aさん、Bさん、Cさんの誰も、他の人の個別の年収 (\(x_A\),\(x_B\),\(x_C\)) を知ることはありませんでした。しかし、最終的な合計値 \(S\) は正しく計算できています。これがMPCの基本的な仕組みです。
補足:
- これは「加法秘密分散」と呼ばれる単純な例ですが、MPCでは乗算や比較など、もっと複雑な計算も可能です。
- 実際には、通信の安全性や、不正を行う参加者がいる可能性なども考慮した、より高度な技術が使われています。
- 参加者の数が3人以上の場合でも、同様の考え方で拡張できます。
MPCの応用例
MPCは、その特性から様々な分野での応用が期待されています。
- プライベートな医療データ分析: 複数の病院が協力し、患者のプライバシーを守りながら大規模な臨床研究を行う。
- 金融機関間の不正検知: AML（マネーロンダリング対策）などで、顧客情報を秘匿しつつ銀行間で怪しい取引パターンを共有・分析する。
- 安全な電子入札・オークション: 入札者の入札額を互いに秘密にしたまま、最高額（または最低額）を決定する。
- プライバシー保護統計: 個人の回答を秘密にしたまま、国勢調査などの統計情報を作成する。
- 機械学習: 個々のデータを公開せずに、分散したデータセットを用いて機械学習モデルをトレーニングする（Federated Learningと組み合わせることも）。
まとめ
マルチパーティ計算（MPC）は、データのプライバシーや機密性を保護しながら、複数の参加者が協力してデータ分析や計算を行うことを可能にする画期的な技術です。
今回は「秘密分散」を用いた簡単な例でその仕組みを紹介しましたが、MPCには様々な手法があり、活用の可能性は広がり続けています。
データ活用とプライバシー保護の両立が求められる現代において、MPCはますます重要な役割を担っていくでしょう。
さらに学ぶには
MPCは奥が深い分野です。もし興味を持たれたら、以下のキーワードで検索したり、関連書籍や専門的な技術解説を探したりすることをおすすめします。
- 秘密分散 (Secret Sharing)
- 準同型暗号 (Homomorphic Encryption)
- ゼロ知識証明 (Zero-Knowledge Proof)
- Garbled Circuit
このブログが、MPCへの理解を深める第一歩となれば幸いです。