[論文レビュー] Local Differential Privacy for Physical Sensor Data and Sparse Recovery

Anna C. Gilbert, Audra McMillan|arXiv (Cornell University)|May 31, 2017

Privacy-Preserving Technologies in Data参考文献 19被引用数 4

ひとこと要約

本論文は、拡散過程とスパース回復を用いて、微分プライバシーを満たす物理的センサー測定値を公開するフレームワークを提案する。これにより、地球移動距離（EMD）を用いた一般的な地理的周辺地域の正確な回復を可能にしつつ、熱源の位置をプライバシー保護可能な形で局所化できる。この手法は、逆問題の不適切な定式化と拡散行列の固有値特性を活用し、プライバシーを確保しつつノイズを最小限に抑える。

ABSTRACT

In this work we explore the utility of locally differentially private thermal sensor data. We design a locally differentially private recovery algorithm for the 1-dimensional, discrete heat source location problem and analyse its performance in terms of the Earth Mover Distance error. Our work indicates that it is possible to produce locally private sensor measurements that both keep the exact locations of the heat sources private and permit recovery of the "general geographic vicinity" of the sources. We also discuss the relationship between the property of an inverse problem being ill-conditioned and the amount of noise needed to maintain privacy.

研究の動機と目的

• 物理的センサー測定データの微分プライバシー的測定値公開メカニズムを設計し、ソース位置を保護しつつ、有用性を維持すること。
• 従来の ℓ₁ や ℓ₂ 誤差の代わりに、地球移動距離（EMD）を指標として用い、熱源の一般的な地理的周辺地域を回復可能にする仕組みを提供すること。
• 特に不適切に定式化された逆問題において、ノイズを最小限に抑えるために測定行列に必要な固有値的条件を分析すること。
• グラフ上の拡散作用素を用いてフレームワークを具体化し、コミュニティ構造を持つネットワークでの性能を評価すること。
• ローカル微分プライバシーが、拡散行列の良好な固有値特性を有する場合、最小限のノイズで達成可能であることを示すこと。

提案手法

• グラフラプラシアン L を用いて A_G = e^{-τL} で表される線形拡散モデルを、物理的センサー測定値のモデルとして用いる。
• 任意の2つの測定行列の行間の差の ℓ₂ ノルム Δ₂(A_G) に比例するノイズを追加することで、ローカル微分プライバシーを実現する。
• スパース信号の回復のための ℓ₁ 約束最小化を用い、プライベートな測定値からソース位置を再構築可能とする。
• 出力分布に対する単一のソース位置の変更が最小限の影響を及えることを保証する (ε,δ)-微分プライバシーによりプライバシーを定義する。
• 回復品質の評価に地球移動距離（EMD）を主な誤差指標として用い、正確な位置ではなく地理的近接性に焦点を当てる。
• ラプラシアン行列の固有値と特異ベクトルを用いて A_G の固有構造を分析し、Δ₂(A_G) をバウンディングすることで、プライバシーに必要なノイズ量を制御する。

実験結果

リサーチクエスチョン

• RQ1 逆問題の不適切な定式化を活用することで、最小限のノイズで物理的センサー系においてローカル微分プライバシーを達成できるか？
• RQ2 拡散行列の固有値特性が、(ε,δ)-微分プライバシーに必要なノイズ量にどのように影響するか？
• RQ3 EMD を指標として用いる場合、スパースな熱源の一般的な地理的周辺地域を、微分プライバシーを満たす測定値からどの程度正確に回復できるか？
• RQ4 センサーネットワークにおけるコミュニティ構造が、プライベートな個々のソース位置を保ちつつ回復プロセスにどのように反映されるか？
• RQ5 ローカル微分プライバシーの下で、真のソース位置と回復されたソース位置間のEMD誤差の理論的下界は何か？

主な発見

• フレームワークは、拡散行列の固有値の減衰に比例したノイズレベルでローカル微分プライバシーを達成し、特にラプラシアン行列の2番目に小さい固有値 s₂ に依存する。
• 完全グラフの場合、Δ₂(A_G)² = 2e^{-τn} であり、高い接続性がプライバシーに必要なノイズを減少させることを示す。
• スターバリューグラフの場合、Δ₂(A_G)² は e^{-τn} とノード間の距離に関連する項を含む和で上限が与えられ、中心ノードはより多くのノイズを要することが示される。
• EMD誤差の理論的下界は Ω(min{1/2, T¹·⁵σ / √m}) であり、プライバシー制約下では回復誤差を任意に小さくできないことを示す。
• 確率的ブロックモデルにおける実験結果から、適切な τ と ε の設定下で、ソースの正しいコミュニティがプライバシー保証のもとで回復可能であることが示された。
• 本手法により計算的クローブィングが可能である：正確なソース位置は隠蔽されるが、一般的な周辺地域は回復可能であり、プライバシー保護型スマートビルおよびセンサーネットワークアプリケーションに適している。