[論文レビュー] Adaptively Sharing Time-Series with Differential Privacy

Liyue Fan, Li Xiong|arXiv (Cornell University)|Feb 15, 2012

Privacy-Preserving Technologies in Data参考文献 15被引用数 13

ひとこと要約

本稿では、データの動的変化に基づいてサンプリングレートを動的に調整し、事後推定を用いてノイズの多い観測値を補正することで、プライバシー費用を最小限に抑えつつ精度を向上させる、差分プライバシーを適用したリアルタイム時系列データ公開のための新規フレームワークFASTを提案する。固定レート手法と比較して、特に厳しいプライバシー予算下でも顕著に低い誤差を達成する。

ABSTRACT

Sharing real-time aggregate statistics of private data is of great value to the public to perform data mining for understanding important phenomena, such as Influenza outbreaks and traffic congestion. However, releasing time-series data with standard differential privacy mechanism has limited utility due to high correlation between data values. We propose FAST, a novel framework to release real-time aggregate statistics under differential privacy based on filtering and adaptive sampling. To minimize the overall privacy cost, FAST adaptively samples long time-series according to the detected data dynamics. To improve the accuracy of data release per time stamp, FAST predicts data values at non-sampling points and corrects noisy observations at sampling points. Our experiments with real-world as well as synthetic data sets confirm that FAST improves the accuracy of released aggregates even under small privacy cost and can be used to enable a wide range of monitoring applications.

研究の動機と目的

• データ相関と合成定理による高めの摂動誤差が差分プライバシー時系列データ公開において問題となることを解消する。
• リアルタイム集計データ公開における高い有用性を維持しつつ、全体のプライバシー費用を最小限に抑える。
• データの動的変化に応じて適応的サンプリングを実現し、急激な変化が生じる際の精度を向上させる。
• フィルタリングと動的サンプリングを統合したフィードバック駆動型システムを構築し、安定した推定を実現する。
• ストリーミング環境におけるプライバシーと精度のトレードオフを形式的に分析し、最適化する。

提案手法

• FASTは時系列データを状態空間モデルで表現し、ノイズの多い差分プライバシー観測値から真値をカルマンフィルタリングで推定する。
• 事前予測と摂動を加えた測定値を組み合わせることで、ノイズの影響を低減した事後推定を生成する。
• データの推定値の変化率に基づいて、PID制御を用いてサンプリング間隔を動的に調整する適応的サンプリング戦略を採用する。
• PID制御は、データ変化が急激な時期にはサンプリング頻度を増やし、安定期間中は減少させることで、プライバシー予算の最適利用を実現する。
• 固定レートサンプリングの場合、再帰的カルマンフィルタ方程式とプロセスノイズモデルを用いて、誤差分散の上限を導出する。
• 全体の誤差は、サンプリング間隔、プロセスノイズ、プライバシー予算の関数としてモデル化され、勾配降下法による最適化が行われる。

実験結果

リサーチクエスチョン

• RQ1 データの動的変化に基づく適応的サンプリングは、差分プライバシー時系列データ公開における全体のプライバシー費用を低減し、精度を向上させることができるか？
• RQ2 カルマンフィルタリングなどのフィルタリング技術は、ノイズの多い差分プライバシー時系列データにおける摂動誤差をどのように低減できるか？
• RQ3 固定プライバシー予算下で、サンプリング頻度と推定精度の最適なバランスは何か？
• RQ4 事後推定からのフィードバック統合は、リアルタイム環境における長期的予測精度をどのように向上させるか？
• RQ5 提案されたフレームワークは、多様な実世界および合成時系列データにおいて、固定レートサンプリングを上回る誤差と有用性を達成できるか？

主な発見

• FASTは、データの動的変化に応じてサンプリングレートを動的に調整することで、同じプライバシー予算下でも全体の推定誤差を低減し、精度を向上させる。
• カルマンフィルタリングの導入により、ノイズの多い観測値とモデルベースの予測を組み合わせることで、推定誤差の分散が顕著に低減される。
• PID制御を用いた適応的サンプリングは、特にデータの変動が激しい時期において、固定レートサンプリングよりも低い誤差を達成する。
• 理論的分析により、サンプリングポイントにおける誤差分散はカルマンゲイン、プロセスノイズ、プライバシー予算に依存し、最適なR値は勾配降下法により導出可能であることが示された。
• サンプリング間隔、推定誤差、プライバシー費用のバランスを最適化することで、全時系列における誤差分散の合計が最小化され、固定レートサンプリングでは閉形式の式が導出可能である。
• 実験により、FASTは小さなプライバシー予算下でも精度が向上することを確認しており、リアルタイム監視応用における実用的導入を可能にする。