[論文レビュー] Applications of Differential Privacy in Social Network Analysis: A Survey

Honglu Jiang, Jian Pei+4 more|arXiv (Cornell University)|Oct 6, 2020

Privacy-Preserving Technologies in Data参考文献 89被引用数 13

ひとこと要約

本調査は、度数分布、部分グラフカウント、エッジ重みの公開といったタスクにおける、社会的ネットワーク解析における微分プライバシーの応用について、基礎的原則、変種、実装手法を網羅的に分析している。データ相関、高次元性、動的データ更新といった主な課題を特定し、プライバシーの適応的予算配分とノイズ管理の重要性を強調することで、プライバシーの強力な保証を確保しながらも、データの有用性を維持することを目的としている。

ABSTRACT

Differential privacy is effective in sharing information and preserving privacy with a strong guarantee. As social network analysis has been extensively adopted in many applications, it opens a new arena for the application of differential privacy. In this article, we provide a comprehensive survey connecting the basic principles of differential privacy and applications in social network analysis. We present a concise review of the foundations of differential privacy and the major variants and discuss how differential privacy is applied to social network analysis, including privacy attacks in social networks, types of differential privacy in social network analysis, and a series of popular tasks, such as degree distribution analysis, subgraph counting and edge weights. We also discuss a series of challenges for future studies.

研究の動機と目的

• 微分プライバシーの原則と社会的ネットワーク解析の応用を結びつける体系的サーベイを提供すること。
• データ相関、高次元性、動的データ更新といった、微分プライバシーを社会的ネットワークに適用する際の核心的課題を特定・分析すること。
• 機微な社会的ネットワークデータを公開する際の既存技術を検討し、プライバシーと有用性を両立させること。
• 微分プライバシーにおける社会的ネットワーク分析分野における未解決の研究問題と今後の方向性を強調すること。

提案手法

• 社会的ネットワークデータに関連する微分プライバシーの主要な変種を分類・レビューすること。
• 度数分布、部分グラフカウント、エッジ重みの公開といった特定タスクへの微分プライバシーの適用を分析すること。
• 高次元データの公開に向けたランダム射影、ベイジアンネットワーク、サンプリングなどの技術を評価すること。
• 動的データ公開のためのメカニズムをサーベイすること。特にプライバシー予算の配分とノイズ蓄積の低減を含む。
• 実世界の社会的ネットワーク環境における、プライバシーの保証とデータ有用性のトレードオフを評価すること。
• 特に相関データや進化するネットワーク構造の処理において、既存手法の限界を特定すること。

実験結果

リサーチクエスチョン

• RQ1 微分プライバシーをどのように効果的に適用することで、社会的ネットワークデータのプライバシーを保護しつつ、分析的有用性を維持できるか？
• RQ2 高次元性および動的変化を伴う社会的ネットワークデータに微分プライバシーを適用する際の主な課題は何か？
• RQ3 社会的ネットワークにおけるデータ相関は、微分プライバシー解析におけるプライバシーと有用性のトレードオフにどのように影響するか？
• RQ4 複数のクエリやデータ更新にわたるプライバシー予算を効率的に配分する戦略は何か？
• RQ5 現在の微分プライバシー機構は、複雑な社会的ネットワーク構造や進化するデータを処理するうえで、どのような限界を有しているか？

主な発見

• 微分プライバシーは、攻撃者の背景知識に依存しない数学的に裏付けられた強力なプライバシー保証を提供するため、敵対的環境下ではk-匿名性やl-多様性を上回る優位性を有する。
• 高次元の社会的ネットワークデータは、信号対ノイズ比が低く、属性間の複雑な相関関係を有するため、ノイズを一様に追加すると有用性が著しく低下する。
• 静的微分プライバシー機構は、ノイズの急速な蓄積とプライバシー予算の早期枯渇のため、動的ネットワークでは失敗する。
• 次元削減とノイズ注入は両者ともデータ有用性に影響を与えるが、その併用効果は依然として重要な未解決問題のままである。
• 現在の動的データ公開手法は、時間経過に伴いノイズが無制限に増大するため、長期的なプライバシー保証を維持できないことがしばしばである。
• クエリ依存のプライバシー予算配分は、次元ごとの感度や情報量の差を考慮すると、有用性を最適化するために不可欠である。