[論文レビュー] How Private Is Your Voting? A Framework for Comparing the Privacy of Voting Mechanisms

Ao Liu, Yun Lu+2 more|arXiv (Cornell University)|May 15, 2018

Privacy-Preserving Technologies in Data参考文献 9被引用数 4

ひとこと要約

本稿では、正確な分布的微分プライバシー（DDP）の境界を用いて、投票メカニズムの本質的プライバシーを評価するフレームワークを提案する。多くの一般的な投票ルールが、ノイズを追加せずに強力なプライバシーを達成していることが示されている。また、結果の摂動を要する微分プライバシー技術は、通常の投票分布の仮定のもとでは実際には不要であることが明らかになった。

ABSTRACT

Voting privacy has received a lot of attention across several research communities. Traditionally, cryptographic literature has focused on how to privately implement a voting mechanism. Yet, a number of recent works attempt to minimize the amount of information one can infer from the output (rather than the implementation) of the voting mechanism. These works apply differential privacy (DP) techniques which noise the outcome to achieve privacy. This approach intrinsically compromises accuracy, rendering such a voting mechanism unsuitable for most realistic scenarios. In this work we investigate the inherent privacy that different voting rules achieve. To this end we utilize the well-accepted notion of Distributional Differential Privacy (DDP). We prove that under standard assumptions in voting literature about the distribution of votes, most natural mechanisms achieve a satisfactory level of DDP, indicating that noising--and its negative side-effects for voting--is unnecessary in most cases. We then put forth a systematic study of noiseless privacy of commonly studied of voting rules, and compare these rules with respect to their privacy. Note that both DP and DDP induce (possibly loose) upper bounds on information leakage, which makes them insufficient for such a task. To circumvent this, we extend the definitions to require the bound to be exact (i.e. optimal) in a well defined manner. Although motivated by voting, our definitions and techniques can be generically applied to address the optimality (with respect to privacy) of general mechanisms for privacy-preserving data release.

研究の動機と目的

• 暗号的実装を超えた投票メカニズムの本質的プライバシーに関する理解の不足を埋めるため。
• ノイズのない投票ルールが、正確性を損なわずに強力なプライバシーを達成できるかどうかを調査するため。
• 正確なDDP境界を用いて、投票メカニズムにおけるプライバシー最適性を評価するフレームワークを開発するため。
• 現実的な投票分布の仮定のもとで、一般的な投票ルールのプライバシー性能を比較するため。
• DDPの定義を最適（タイトな）プライバシー境界を要件とするように拡張し、メカニズム間の正確な比較を可能にするため。

提案手法

• 著者は、標準的な投票分布の仮定のもとで、投票結果における情報漏洩をモデル化するために分布的微分プライバシー（DDP）を適用する。
• さまざまな投票ルールにおける情報漏洩の正確で最適な上界を導出することで、従来のDPやDDPにおける緩い境界を置き換える。
• フレームワークは、異なる Voter 組み合わせにおける投票分布間の差を測定することで、プライバシーを評価する。
• これらの正確な境界を用いて、例えばプライラリティ、ボーダ、インスタント・ランオフなどの一般的な投票ルール間のプライバシー性能を比較する。
• 著者は、「最適」なプライバシー境界の新しい概念を形式化し、導出された境界が保守的ではなくタイトであることを保証する。
• このアプローチは投票の分野に限らず、他の分野におけるプライバシー保護データ公開に対しても一般化可能である。

実験結果

リサーチクエスチョン

• RQ1 一般的な投票ルールは、結果にノイズを追加せずに強力なプライバシーを達成できるか？
• RQ2 標準的な投票分布の仮定のもとで、異なる投票ルールのプライバシーはどのように比較できるか？
• RQ3 投票におけるプライバシーを確保するために、従来の微分プライバシー技術は必要か、それとも本質的プライバシーで十分か？
• RQ4 投票メカニズムに対して、緩い上界に頼るのではなく、最適なプライバシー境界を定義・計算できるか？
• RQ5 投票ルールの構造が、そのプライバシー特性をどの程度決定づけるか？

主な発見

• 標準的な投票分布の仮定のもとで、多くの自然な投票ルールが満足できる水準の分布的微分プライバシー（DDP）を達成しており、強力な本質的プライバシーを示している。
• 微分プライバシー手法で一般的に用いられる結果のノイズ追加は、実際には多くの場合不要である。なぜなら、自然なメカニズム自体が強力なプライバシーを提供しているからである。
• 正確で最適なDDP境界は、多くの投票ルールが摂動なしに最小限の情報漏洩しかしないことを明らかにしている。
• 本研究では、プライバシー性能が投票ルールによって顕著に異なることが示された。たとえば、同じ条件下でボーダ方式はプライラリティ方式よりも強いプライバシーを提供している。
• 提案されたフレームワークにより、緩い境界に代えてタイトで最適な境界を用いることで、メカニズム間の正確な定量的比較が可能になった。
• このフレームワークは一般化可能であり、データ公開用のいかなるメカニズムに対しても、そのプライバシー最適性を評価する応用が可能である。