人工知能が採用やコンテンツ推薦などの社会的重要領域に浸透するにつれ、公平性の測定は研究と実践の中心的な課題となっています。しかし、こうした測定は多くの場合、法的に制約されたり文化的に敏感なデモグラフィック信号に依存しており、特に人種や民族に関するデータの収集と利用は非常に困難です。この課題に取り組むため、2026年6月25日にarXiv（番号2606.27558）に提出された論文は、「プライバシー保護型確率的人種/民族推定（PPRE）」手法を提案し、米国LinkedInメンバーの人種/民族に基づく公平性測定をプライバシーを守りながら実現する方法を示しています。
PPREの核心は、2つの補完的なデータソースを融合することにあります。1つはベイズ改善型姓ジオコーディング推定器（BISG）で、姓と地理情報から人種/民族の確率を推測します。もう1つは、ユーザーが自己申告した人口統計情報を含むスパースな「ゴールデンサーベイセット」です。これらを組み合わせることで、PPREは単一のデータソースに依存するバイアスを避け、より正確な集計レベルの推定を可能にします。
機密データを保護するために、PPREは3つの最先端プライバシー技術を統合しています。安全な二者間計算（2PC）は計算中にデータがどの当事者にも漏れないことを保証し、差分プライバシー（DP）はクエリ結果にノイズを加えて個人情報の推論を防ぎ、加法準同型暗号（AHE）は暗号化されたデータ上で直接演算を可能にします。これらの技術により、PPREは個人の機密情報を一切露出することなく、信頼性の高い公平性評価結果を出力できます。
論文ではPPREのプライバシー保証を詳述し、2つの重要なシナリオでの応用を示しています。候補者側（採用アルゴリズムの公平性評価）と視聴者側（コンテンツ推薦システムの公平性監視）です。さらに著者らは、他のソーシャルプラットフォームや機関が同様のプライバシー保護測定インフラを構築するための「転用可能なフレームワーク」を提案しており、厳格なプライバシー規制を順守しながらアルゴリズムの公平性を向上させる道筋を示しています。この研究はLinkedInに実用的な公平性測定手段を提供するだけでなく、プライバシー制約下で機密データを活用する業界全体の模範となっています。