スプリットインファレンス(SI)は、ユーザーが生データを直接送信せずに深層学習サービスを利用できる方法ですが、最近の研究は、データ再構築攻撃(DRA)により、クライアントからサーバに送信される圧縮データから元の入力が復元され、プライバシーが漏洩するリスクを明らかにしています。これまでに提案された防御策は、多くの場合、実用性の低下を引き起こします。特にクライアント側のモデルが浅い場合には顕著です。この問題の主要な原因は、既存の防御が圧縮データ内の冗長情報に過度の摂動を適用することにあります。そこで、本研究ではInfoDecomという防御フレームワークを提案し、まず冗長情報を分解・除去し、その後理論的に保証されたプライバシーを提供するノイズを注入します。実験により、InfoDecomは既存の基準と比較して優れた実用性とプライバシーのトレードオフを実現することが示されました。