[論文レビュー] A Differentially Private Wilcoxon Signed-Rank Test

Simon Couch, Zeki Kazan+3 more|arXiv (Cornell University)|Sep 5, 2018

Privacy-Preserving Technologies in Data参考文献 16被引用数 7

ひとこと要約

本稿では、Prattの修正検定推定量とシミュレーションベースのp値計算を用いて、統計的パワーを向上させる、差分プライバシーを適用したウィルコクソン符号順位検定のバリエーションを提示する。これは、先行研究の最良手法（TaskとClifton, 2016）が要請するデータ量の40%にまで縮小可能であり、対応したデータにおけるプライバシー保護付きと非プライバシー付きの仮説検定のギャップを顕著に縮小する。

ABSTRACT

Hypothesis tests are a crucial statistical tool for data mining and are the workhorse of scientific research in many fields. Here we present a differentially private analogue of the classic Wilcoxon signed-rank hypothesis test, which is used when comparing sets of paired (e.g., before-and-after) data values. We present not only a private estimate of the test statistic, but a method to accurately compute a p-value and assess statistical significance. We evaluate our test on both simulated and real data. Compared to the only existing private test for this situation, that of Task and Clifton, we find that our test requires less than half as much data to achieve the same statistical power.

研究の動機と目的

• プライバシー制約下でも高い統計的パワーを維持できる、対応標本データ向けの差分プライバシー適合仮説検定を開発すること。
• 従来のプライバシー適合ウィルコクソン検定が、過剰なノイズと最適でない推定量推定により統計的パワーが著しく低下するという限界を是正すること。
• 差分プライバシーのノイズが存在する状況でも、正確かつ効率的なp値の計算が可能な実用的で正確な手法を提供すること。
• シミュレートされたデータおよび実世界のデータ（ニューヨーク市タクシーのデータを含む）を用いて、提案手法の実用性を示すこと。
• TaskとClifton（2016）の先行研究における重大な誤りを是正し、厳密な比較を通じて改善を検証すること。

提案手法

• 著者らは、元の検定に比べて差が0のケースをより効果的に処理できるウィルコクソン符号順位検定のPratt版を採用し、差分プライバシーに適した感度が有界であることを証明する。
• Pratt推定量にラプラスノイズを追加するプライベートアルゴリズムを設計し、感度のタイトな境界を用いて(ε,0)-差分プライバシーを保証する。
• ノイズが付加された検定統計量の基準分布を数値的に近似するために、シミュレーションベースのアプローチを用い、正確なp値計算を可能にする。
• p値計算においてノイズ分布を適切に考慮することで、上界近似による過剰な有意水準の評価を回避する。
• 複数の標本サイズおよびプライバシー予算（ε=1）の下で、アルゴリズムを実装・評価し、TaskとClifton（TC）手法と比較する。
• TC手法の臨界値推定における重大な欠陥を是正し、適切に制御された第1種の過誤率を達成する。

実験結果

リサーチクエスチョン

• RQ1 既存手法よりも高い統計的パワーを持つ、差分プライバシー適合ウィルコクソン符号順位検定を構築できるか？
• RQ2 古典的ウィルコクソン統計量と比較して、Prattの修正統計量を用いることで、プライバシーと利便性のトレードオフが改善されるか？
• RQ3 保守的な上界近似に依存せずに、差分プライバシーのノイズが存在する状況でも正確なp値を計算できるか？
• RQ4 ニューヨーク市タクシーの乗車記録のような実世界データにおいて、意味のあるプライバシー予算下で、提案手法はどの程度の性能を示すか？
• RQ5 新しい手法は、先行研究と比較して、同じ統計的パワーを達成するためのデータ量をどの程度削減できるか？

主な発見

• 提案手法は、非プライバシーのウィルコクソン検定と同等の統計的パワーを達成しており、ε=1の条件下でTaskとClifton（2016）手法が要請するデータ量の40%で同じ効果を検出可能である。
• シミュレーションベースのp値計算手法は、先行研究で用いられる上界近似と比較して、はるかに正確な有意水準の評価を可能にする。
• TaskとClifton手法の臨界値推定における重大な誤りを是正したことで、適切に制御された第1種の過誤率を達成する信頼性の高い検定が実現された。
• 実世界のニューヨーク市タクシーのデータにおいて、標本サイズが400でも、非公開検定とほぼ同等のパワーを達成しており、実用的利便性が裏付けられた。
• オリジナルのTC手法およびその高利便性を追求した変種と比較して、両手法の統計量の選択とp値計算手法の両方が、パワー向上に不可欠であることが示された。
• アルゴリズムは効率的かつ実用的であり、公開されたソースコードにより再現性と実世界への導入が可能である。