[論文レビュー] Back to the Drawing Board: Revisiting the Design of Optimal Location Privacy-preserving Mechanisms

Simon Oya, Carmela Troncoso+1 more|arXiv (Cornell University)|May 24, 2017

Privacy-Preserving Technologies in Data参考文献 24被引用数 11

ひとこと要約

この論文は、敵対者による推定誤差を最小化することが、強力な位置プライバシーを保証するとする仮定に挑戦し、この基準下で最適なメカニズムですら、依然として顕著なプライバシー漏洩を引き起こす可能性があることを示している。本研究では、情報理論的不確実性を測るための条件付きエントロピーと、ユーティリティの保証を示すworst-case quality lossという補足的メトリクスを導入し、プライバシー評価を拡張した。また、平均誤差が最適である一方で条件付きエントロピーを最大化するメカニズムを提案し、実世界のデータセットを用いた評価で、複数の次元にわたるプライバシー基準において、先行手法を上回ることを確認した。

ABSTRACT

In the last years we have witnessed the appearance of a variety of strategies to design optimal location privacy-preserving mechanisms, in terms of maximizing the adversary's expected error with respect to the users' whereabouts. In this work, we take a closer look at the defenses created by these strategies and show that, even though they are indeed optimal in terms of adversary's correctness, not all of them offer the same protection when looking at other dimensions of privacy. To avoid "bad" choices, we argue that the search for optimal mechanisms must be guided by complementary criteria. We provide two example auxiliary metrics that help in this regard: the conditional entropy, that captures an information-theoretic aspect of the problem; and the worst-case quality loss, that ensures that the output of the mechanism always provides a minimum utility to the users. We describe a new mechanism that maximizes the conditional entropy and is optimal in terms of average adversary error, and compare its performance with previously proposed optimal mechanisms using two real datasets. Our empirical results confirm that no mechanism fares well on every privacy criteria simultaneously, making apparent the need for considering multiple privacy dimensions to have a good understanding of the privacy protection a mechanism provides.

研究の動機と目的

• 位置のぼかしメカニズムにおけるプライバシーを強固に保証するためには、敵対者による推定誤差を最小化すれば十分であるという一般的な仮定に挑戦すること。
• 平均誤差基準下で最適なメカニズムであっても、他の次元で評価すると弱いプライバシーを提供する可能性があることを実証すること。
• より強固な位置プライバシーメカニズムの設計を支援するため、補足的プライバシー指標（条件付きエントロピーとworst-case quality loss）を提案すること。
• 平均誤差性能を維持しつつ条件付きエントロピーを最大化する新しいメカニズムの開発と評価。
• 実世界の位置データセットを用いて、複数のプライバシー基準にわたる複数のメカニズムを実証的に比較すること。

提案手法

• 敵対者の真の位置に関する事後信念における不確実性を定量化するため、情報理論的指標として条件付きエントロピーを提案する。
• サービス品質の最小保証を示すユーティリティ制約指標として、worst-case quality lossを導入する。
• 平均敵対者推定誤差の最適性を維持しつつ、条件付きエントロピーを最大化するメカニズムを、事後分布の指数型メカニズムを用いて開発する。
• Chatzikokolakisら（2016）のリマップ技術を適応し、任意の基本的なぼかしメカニズムから最適メカニズムを構築する汎用的手法を提供する。
• 線形計画法とベイズモデリングを用いて、ユーティリティ制約下でのメカニズム設計を実施し、ユーザー中心的で断続的な位置報告を想定する。
• GowallaおよびBrightkiteの実世界データセットを用いて、複数のプライバシーおよびユーティリティ指標にわたるメカニズムの実証的評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 平均敵対者推定誤差を最小化するメカニズムであっても、代替基準で評価すると、弱いプライバシーを提供する可能性はあるか？
• RQ2 条件付きエントロピーなどの情報理論的指標とworst-case quality lossは、位置プライバシーメカニズムの評価をどのように改善するか？
• RQ3 平均誤差において最適である一方で、条件付きエントロピーを最大化するメカニズムを設計することは可能か？
• RQ4 異なるプライバシー指標どうしの相関関係は何か？ また、1つのメカニズムがすべての次元で良好な性能を発揮できるか？
• RQ5 実世界データを用いた複数のプライバシー基準での評価において、最適メカニズムの実証的性能はいかがなものか？

主な発見

• どの1つのメカニズムでも、同時にすべてのプライバシー基準を満たすことはできず、多様な次元での評価の必要性が裏付けられた。
• 提案されたメカニズムは、最適な平均誤差を維持しつつ条件付きエントロピーを最大化し、情報理論的プライバシーの観点で、既存の手法を上回ることを確認した。
• Chatzikokolakisら（2016）のリマップ技術が、任意のぼかしメカニズムから最適メカニズムを構築する汎用的手法であることが示された。
• GowallaおよびBrightkiteデータセットにおける実証的結果から、平均誤差が最適なメカニズムであっても、敵対者の正答率が高く、不確実性が低いという結果が得られ、これは弱いプライバシーを示している。
• 条件付きエントロピーとworst-case quality lossは、プライバシー保護メカニズムの評価および設計を支援する有効な補足的指標である。
• 本研究では、敵対者誤差を唯一の指標とするだけでは、数学的に最適であっても、プライバシーの観点から劣った選択を引き起こす可能性があることが示された。