[論文レビュー] Differentially Private Spatial Decompositions

Graham Cormode, Magda Procopiuc+3 more|arXiv (Cornell University)|Mar 26, 2011

Privacy-Preserving Technologies in Data参考文献 25被引用数 26

ひとこと要約

本稿では、クアッドツリー、kdツリー、Rツリーなどのツリー構造を用いた空間データのプライバシー保護型公開のためのフレームワークである、微分プライバシー空間分割（PSD）を提案する。階層の各レベルに非一様なノイズパラメータを適用し、ノイズを含むカウント値に対して後処理を施して分散を最小化することで、強力な微分プライバシー保証を維持しつつ、クエリの正確性を著しく向上させ、実験では相対誤差が1桁未満にまで低下した。

ABSTRACT

Differential privacy has recently emerged as the de facto standard for private data release. This makes it possible to provide strong theoretical guarantees on the privacy and utility of released data. While it is well-known how to release data based on counts and simple functions under this guarantee, it remains to provide general purpose techniques to release different kinds of data. In this paper, we focus on spatial data such as locations and more generally any data that can be indexed by a tree structure. Directly applying existing differential privacy methods to this type of data simply generates noise. Instead, we introduce a new class of "private spatial decompositions": these adapt standard spatial indexing methods such as quadtrees and kd-trees to provide a private description of the data distribution. Equipping such structures with differential privacy requires several steps to ensure that they provide meaningful privacy guarantees. Various primitives, such as choosing splitting points and describing the distribution of points within a region, must be done privately, and the guarantees of the different building blocks composed to provide an overall guarantee. Consequently, we expose the design space for private spatial decompositions, and analyze some key examples. Our experimental study demonstrates that it is possible to build such decompositions efficiently, and use them to answer a variety of queries privately with high accuracy.

研究の動機と目的

• 範囲クエリに適した空間データをプライバシー保護しながら公開する課題に対処すること。
• クアッドツリー、kdツリー、Rツリーなどの一般的な空間インデックス構造の微分プライバシー版を設計すること。
• 階層的レベル間でのノイズ割り当ての最適化と、ノイズを含むカウント値の後処理を通じて、クエリ正確性を向上させること。
• プライバシー、効率性、有用性のバランスを取る一般化されたプライベート空間分割フレームワークを提供すること。
• さまざまな分割戦略がクエリ正確性とスケーラビリティに与える影響を評価すること。

提案手法

• 標準的な空間インデックス構造（例：クアッドツリー、kdツリー）を微分プライバシーに適合させるプライベート空間分割（PSD）を提案する。
• ルートから葉へ向かう階層的レベルにわたり、幾何級数的に非一様なノイズパラメータを適用し、より詳細な領域での誤差を低減する。
• ノイズを含む入力からのノードカウントの最小分散推定値を計算する新しい後処理技術を導入し、従来の均一ノイズ手法を一般化する。
• すべての構築ブロックにおけるプライベートな分割点と領域統計の計算により微分プライバシーを保証し、保証の合成を適用する。
• 階層的ノイズ割り当てと後処理を活用し、クエリ回答の分散を最小化しながらエンドツーエンドのプライバシーを維持する。
• 情報漏洩を避けるために、データ依存の分割（例：kdツリー）を実現するため、メディアンやその他の統計量をプライベートに計算する。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてツリー構造を用いた空間データを、強力な微分プライバシーを維持しながらプライバシー保護的に分割できるか？
• RQ2 階層的レベルにわたる非一様なノイズ割り当てが、プライベート空間分割におけるクエリ正確性に与える影響は何か？
• RQ3 ノイズを含むカウント値の後処理は、微分プライバシー空間データ構造における範囲クエリの正確性を向上させることができるか？
• RQ4 固定されたプライバシー予算のもとで、さまざまな分割戦略（例：クアッドツリー、kdツリー、Rツリー）の正確性と効率性はどのように比較できるか？
• RQ5 プライベート空間分割は、プライベートレコードマッチングのような実世界の応用において、誤差をどの程度低減できるか？

主な発見

• 最適化されたクアッドツリーは、ε = 0.5、深さ10の条件下で、テストされた手法の中で最も高いクエリ正確性を達成し、すべてのプライバシー予算をノイズカウントに割り当てることの利点を示した。
• 深さ8のハイブリッドkdツリーは、クアッドツリー（深さ10）と同等の正確性を達成しており、プライベートなメディアン計算と組み合わせたデータ依存の分割が有効であることを示した。
• セルベースkdツリーは、小さな正方形クエリでは形状の整合性により優れた性能を発揮するが、大きなクエリではノード探索の増加とノイズの蓄積により性能が低下した。
• プライベートなヒルベルトRツリーは性能が変動しやすく、特定のクエリ形状では高い誤差を示し、構造と座標符号化の感度に起因すると判明した。
• 非一様ノイズと後処理を組み合わせた本稿のkdツリーは、プライベートレコードマッチングにおける削減比を0.93から0.95まで向上させ、セキュアマルチパーティ計算の作業量を28%削減した。
• 後処理により、すべてのテストされたPSDにおいてクエリ回答の分散が低減し、正確性が向上した。相対誤差は一貫して1桁未満のパcent未満に保たれた。