[論文レビュー] Improved Differentially Private Decentralized Source Separation for fMRI Data

Hafiz Imtiaz, Jafar Mohammadi+5 more|arXiv (Cornell University)|Oct 28, 2019

Indoor and Outdoor Localization Technologies参考文献 77被引用数 5

ひとこと要約

本稿では、fMRIデータ解析における独立成分分析（ICA）のための、新しい微分プライバシー分散型アルゴリズム、capeDJICAを提案する。複数の施設間で相関のあるノイズを用いることで、全体のノイズ注入量を低減し、プライバシーと有用性のトレードオフを著しく改善した。合成および実際のfMRIデータセットにおいて、強力なプライバシー保証（ε < 1）のもとで、非プライベートICAの性能に匹敵する結果を達成した。

ABSTRACT

Blind source separation algorithms such as independent component analysis (ICA) are widely used in the analysis of neuroimaging data. In order to leverage larger sample sizes, different data holders/sites may wish to collaboratively learn feature representations. However, such datasets are often privacy-sensitive, precluding centralized analyses that pool the data at a single site. In this work, we propose a differentially private algorithm for performing ICA in a decentralized data setting. Conventional approaches to decentralized differentially private algorithms may introduce too much noise due to the typically small sample sizes at each site. We propose a novel protocol that uses correlated noise to remedy this problem. We show that our algorithm outperforms existing approaches on synthetic and real neuroimaging datasets and demonstrate that it can sometimes reach the same level of utility as the corresponding non-private algorithm. This indicates that it is possible to have meaningful utility while preserving privacy.

研究の動機と目的

• 分散環境下での個人のプライバシーを保ちながら、共同fMRIソース分離を実現する挑戦に応えること。
• 特に小規模な局所的サンプルサイズの場合に顕著なノイズ負荷が生じる従来の分散型微分プライバシー付きアルゴリズムの課題を克服すること。
• 中央集権的なデータ集約を伴わずに、神経画像診断応用に適した高い有用性を維持するプライバシー保護フレームワークを開発すること。
• 感受性の高い健康データに対する分散型機械学習における意味のあるプライバシーと有用性のトレードオフを実現すること。

提案手法

• 相関のあるノイズ注入により総ノイズ分散を低減する、分散型微分プライバシー枠組み「CAPE（Correlated Additive Privacy for Estimation）」を提案する。
• CAPEフレームワークを分散型共同ICA（djICA）に適応し、fMRIデータ向けに提案されたcapeDJICAアルゴリズムを導出する。
• 反復計算におけるプライバシー損失をきめ細かく評価するため、Rényi微分プライバシーとモーメント会計師法を採用する。
• 施設間で相関のあるノイズ項を共有可能にするノイズ相関戦略を導入し、独立したノイズ追加と比較して、必要な全体のノイズ量を削減する。
• プライバシー保護のためのノイズに相関構造を組み込んだ、変更されたICA目的関数を採用し、信号の整合性を維持する。
• 反復計算下でのプライバシー合成をRényi微分プライバシーを用いて分析し、エンド・ツー・エンドのプライバシー保証を確保する。

実験結果

リサーチクエスチョン

• RQ1 分散型微分プライバシー付きアルゴリズムは、強いプライバシー保証のもとで、非プライベートICAに匹敵する有用性をfMRIソース分離で達成できるか？
• RQ2 施設間で相関のあるノイズを用いることで、プライバシーを損なわずに分散型DPアルゴリズムにおける総ノイズ注入量をどのように低減できるか？
• RQ3 局所的サンプルサイズとプライバシー予算（ε）が、fMRIデータにおけるプライベート分散型ICAの性能に与える影響は何か？
• RQ4 提案フレームワークは、既存のローカルおよび従来のDPアプローチに比べ、プライバシーと有用性の両面で優れているか？
• RQ5 構造化されたノイズを用いることで、神経画像診断における分散型MLにおけるプライバシーと有用性のトレードオフは、どの程度改善できるか？

主な発見

• 提案されたcapeDJICAアルゴリズムは、厳密なプライバシー予算（ε < 1）のもとでも、非プライベートなdjICAとほとんど区別できない空間マップ再構成を達成した。
• capeDJICAは、ローカルDP-ICAおよび従来のDP-djICAの両方を上回る空間マップ回復性能を示した。後者は過剰なノイズのため収束に失敗した。
• 中程度のサンプルサイズ（M ≥ 50）の条件下では、εを1以下に設定した場合、capeDJICAは非プライベートなdjICAと同等の有用性を達成した。
• 低コストの全体的プライバシー損失（ε）を維持しながらも高い有用性を実現しており、優れたプライバシーと有用性のトレードオフを示した。
• capeDJICAによる再構成空間マップは、視覚的および定量的に真値に近く、十分な被験者数が確保されたり、εがわずかに緩和されたりした場合に顕著に改善された。
• モーメント会計師法により、プライバシー会計がきめ細かく実施され、有用性を損なわずに高いプライバシー予算を活用可能となった。