[論文レビュー] Graph-based Clustering under Differential Privacy

Rafaël Pinot, Anne Morvan+3 more|arXiv (Cornell University)|Mar 10, 2018

Privacy-Preserving Technologies in Data参考文献 17被引用数 13

ひとこと要約

この論文は、重み差別的プライバシー（weight-differential privacy）の下で、近似的最小全域木（MST）をプライベートに公開することで、任意の形状のクラスタを検出できる、初めての差別的プライベートなグラフクラスタリング手法PTClustを提案する。この手法は、プライベートに生成されたMST上で最適なカットを適用し、非凸クラスタを回復する。重み差別的プライバシーの下で、理論的根拠に基づいたプライバシーと有用性のトレードオフを達成し、差別的プライバシーの保証を明示的に満たす。

ABSTRACT

In this paper, we present the first differentially private clustering method for arbitrary-shaped node clusters in a graph. This algorithm takes as input only an approximate Minimum Spanning Tree (MST) $\mathcal{T}$ released under weight differential privacy constraints from the graph. Then, the underlying nonconvex clustering partition is successfully recovered from cutting optimal cuts on $\mathcal{T}$. As opposed to existing methods, our algorithm is theoretically well-motivated. Experiments support our theoretical findings.

研究の動機と目的

• 重み付きグラフにおける非凸的かつ任意の形状のクラスタを検出可能な差別的プライベートなクラスタリング手法の開発。
• 従来はヒューリスティックであったMSTに基づくクラスタリング手法に対する理論的裏付けの提供。
• DBMSTCluアルゴリズムに、重み差別的プライバシーの下で形式的なプライバシーと有用性の保証を付与すること。
• 特に非凸構造を対象として、差別的プライバシー下でのグラフクラスタリングにおけるプライバシーと有用性のトレードオフを確立すること。

提案手法

• 入力として、重み差別的プライバシーに基づく近似的最小全域木（MST）を、指数分布（PAMST）またはラプラス機構により公開する。
• プライベートなMST上で最適なカットを適用し、元の非凸クラスタリング分割を回復する。
• クラスタリング品質の評価に、グラフの重みに基づく有用性関数を用いる。
• プライバシー保証は、MSTの重み摂動に対する安定性を活用した、プライベートMSTの事後処理により確保される。
• 近似誤差の明示的バウンドを含む、プライバシーと有用性のトレードオフに関する理論的分析に裏打ちされた手法。
• DBMSTCluにおける真のMSTの代わりに、プライベートで摂動を加えたMSTを用いることで、差別的プライバシーを維持する。

実験結果

リサーチクエスチョン

• RQ1 非凸クラスタに対して、差別的プライバシーの下でMSTベースのクラスタリングを理論的に正当化できるか？
• RQ2 差別的プライベートなMSTを用いて、正確な非凸クラスタ構造を回復するにはどうすればよいか？
• RQ3 重み差別的プライバシー下でのグラフクラスタリングにおいて、プライバシー（ε）とクラスタリング精度のトレードオフはどのように定式化できるか？
• RQ4 プライベートなMSTは、任意の形状のクラスタリングに有効な構造的情報を十分に保持できるか？

主な発見

• PTClustは、中程度のプライバシー予算（ε=1.0, 0.7）でも、非凸クラスタ（例：同心円、ムーン型）を成功裏に回復する。わずかな摂動（孤立ノードなど）を除き、ほとんど影響を受けない。
• ε=0.5では、クラスタリング品質が著しく低下し、ノードの誤分類やクラスタの断片化が生じ、理論的なプライバシーと有用性のトレードオフが裏付けられる。
• PAMSTによるプライベートMSTの公開は、特定のグラフ環境下で、ラプラスベースの手法を上回る重み近似誤差O(|V|²/|E| log|V|)を達成する。
• プライベートMSTが真のMSTに近い場合、アルゴリズムは高いクラスタリング正確性を維持し、微小な摂動に対してもロバストであることが示された。
• 実験により、DBMSTCluは真のMST上で正しい分割を回復するが、PTClustはプライバシー制約下でも同様の結果を近似することが確認された。