本研究では、ローカル差分プライバシー（LDP）機構を最適に設計し、データの不公平性を低減することで、下流の分類における公平性を向上させる方法を探求しています。まず、バイナリの感度属性に対する最適な機構の閉形式を導出し、その後、多値属性に対する最適機構を導出する実行可能な最適化フレームワークを開発します。理論的貢献として、差別的精度最適分類器に対しては、データの不公平性を減少させることが必然的に分類の不公平性を低下させることを示し、プライバシーを意識した前処理と分類の公平性の間に直接のリンクを提供します。実験的には、提案手法が多様なデータセットおよび公平性メトリクスにおいて、既存のLDP機構と比較してデータの不公平性を一貫して低減しながら、非プライベートモデルに近い精度を維持することを示しています。また、先行の前処理および後処理手法と比較して、提案機構は精度と公平性のトレードオフをより有利に達成しつつ、感度属性のプライバシーを保護します。これらの結果は、LDPが原則に基づいた効果的な前処理の公平性介入手法であることを強調しています。