[論文レビュー] Local Differential Privacy: a tutorial

Björn Bebensee|arXiv (Cornell University)|Jul 27, 2019

Privacy-Preserving Technologies in Data参考文献 26被引用数 32

ひとこと要約

このチュートリアルは、局所的微分プライバシー（LDP）の包括的な概要を提供し、その基盤、メカニズム、およびデータ収集時のユーザーのプライバシー保護への応用を説明する。LDPは、中央サーバーを信頼する必要がないように、ユーザーがランダム化応答やその他の技術を用いて自らのデータを局所的に摺り返すことで、強力なプライバシー保証を可能にする。また、頻度推定、ホットホッパー検出、アイテムセットマイニング、空間データ収集のための最新のプロトコルを概説する。

ABSTRACT

In the past decade analysis of big data has proven to be extremely valuable in many contexts. Local Differential Privacy (LDP) is a state-of-the-art approach which allows statistical computations while protecting each individual user's privacy. Unlike Differential Privacy no trust in a central authority is necessary as noise is added to user inputs locally. In this paper we give an overview over different LDP algorithms for problems such as locally private heavy hitter identification and spatial data collection. Finally, we will give an outlook on open problems in LDP.

研究の動機と目的

• 研究者および実務家向けに、局所的微分プライバシー（LDP）について明確でアクセスしやすい紹介を提供すること。
• LDPの理論的基盤、特にその正式な定義とプライバシー保証を説明すること。
• 頻度推定、ホットホッパー同定、空間データ収集といったコアな問題に対する最新のLDPプロトコルを調査すること。
• Apple、Google、Microsoftなどの主要テック企業によるLDPの実用的導入を強調すること。
• LDPにおける未解決の研究課題と今後の方向性を特定すること。これにはハイブリッドモデルや多段階インタラクションプロトコルが含まれる。

提案手法

• 任意の二つの入力が、尤度比が exp(ε) で抑えられるように、ε-LDP の正式な定義を用いることで、プライバシーの保証を確保する。
• ランダム化応答を、真偽のない帰属可能性（ plausible deniability ）を確保するための基礎的LDPメカニズムとして導入する。
• テレメトリデータ収集にランダム化応答を用いる実例として、RAPPORプロトコルを適用する。
• ユーザーが安全領域（τ）を定義し、個別にプライバシーパラメータ（ε）を設定できるようにする、パーソナライズドLDP（PLDP）を拡張として提示する。
• 空間領域におけるユーザー数の推定を可能にする、プライベート空間データ集約（PSDA）フレームワークと、パーソナライズドカウント推定プロトコル（PCEP）を提示する。
• 同一のプライバシー仕様を持つユーザーをクラスタリングすることで、推定誤差を最小限に抑え、集約結果の全体的な信頼性を確保する。

実験結果

リサーチクエスチョン

• RQ1 信頼できる中央機関に依存せずに、どのように強力なプライバシー保証を達成できるか？
• RQ2 LDPにおける効率的かつプライベートなデータ収集を可能にする、コアなアルゴリズム的技術とプロトコルは何か？
• RQ3 LDPは、ユーザーが定義する安全領域のような、パーソナライズドプライバシーの好みをどのように拡張できるか？
• RQ4 純粋なLDPの正確性に関する限界は何か？ハイブリッドモデルは性能をどのように向上させられるか？
• RQ5 多段階インタラクションプロトコルは、合成グラフ生成のような複雑なデータ収集タスクにおけるLDPの正確性を向上させられるか？

主な発見

• LDPは、各ユーザーのデータが送信前に局所的に摺り返されるため、中央サーバーへの信頼を排除することで、強力なプライバシー保証を実現する。
• ランダム化応答メカニズムはLDPのベースラインを提供し、ε = ln(3) ≈ 1.1 を達成する。これは、RAPPORのようなより高度なプロトコルの基盤をなす。
• パーソナライズドLDP（PLDP）により、ユーザーは安全領域τとプライバシーパラメータεを指定でき、データ開示に対する細かな制御が可能になる。
• PSDAフレームワークとPCEPを用いることで、局所的摺り返しによるプライバシー保護を保ちながら、空間領域におけるユーザー数の正確な推定が可能になる。
• 局所的および集中型微分プライバシーを組み合わせたハイブリッドモデルは、正確性を向上させることができるが、より広範なLDP問題への適用可能性は未解決のままである。
• 合成グラフ生成のための多段階インタラクションプロトコルは、正確性の向上に有望であるが、他のLDPタスクへの一般化はまだ未調査のままである。