[論文レビュー] Multilayer Nonlinear Processing for Information Privacy in Sensor Networks

Xin He, Meng Sun+2 more|arXiv (Cornell University)|Nov 13, 2017

Distributed Sensor Networks and Detection Algorithms参考文献 36被引用数 5

ひとこと要約

本稿では、センサネットワークにおけるマルチレイヤー非線形処理フレームワークを提案する。各センサーでクラスタ化された非線形統合と線形重み付けを用いてデータを歪ませることで、プライベートな仮説の保護を図りつつ、パブリック仮説検出の精度を維持する。修正ミラー降下アルゴリズムにより重み行列を最適化し、プライバシーと検出性能のバランスを図り、実データセット上で良好なトレードオフを達成する。

ABSTRACT

A sensor network wishes to transmit information to a fusion center to allow it to detect a public hypothesis, but at the same time prevent it from inferring a private hypothesis. We propose a multilayer nonlinear processing procedure at each sensor to distort the sensor's data before it is sent to the fusion center. In our proposed framework, sensors are grouped into clusters, and each sensor first applies a nonlinear fusion function on the information it receives from sensors in the same cluster and in a previous layer. A linear weighting matrix is then used to distort the information it sends to sensors in the next layer. We adopt a nonparametric approach and develop a modified mirror descent algorithm to optimize the weighting matrices so as to ensure that the regularized empirical risk of detecting the private hypothesis is above a given privacy threshold, while minimizing the regularized empirical risk of detecting the public hypothesis. Experiments on empirical datasets demonstrate that our approach is able to achieve a good trade-off between the error rates of the public and private hypothesis.

研究の動機と目的

• センサネットワークにおけるプライベート情報の保護と、パブリック仮説検出の正確な実現という課題に対処すること。
• クラスタ内のセンサーが非線形統合を適用した後、データを送信する分散処理フレームワークを設計すること。
• 融合センターがプライベート仮説を、定められたプライバシー閾値を超えて推定できないようにすること。
• プライバシー制約のもとで、パブリック仮説検出の誤差率を最小限に抑えること。
• 正則化された経験的リスクを用いた最適化手法を開発し、プライバシーと検出性能のバランスを図ること。

提案手法

• センサーをクラスタにグループ化し、各センサーは同じクラスタ内および前のレイヤーの隣接センサーから受信したデータと、局所データを用いて非線形統合関数を適用する。
• 送信前に、融合データに線形重み行列を適用して歪ませる。
• パrametricな形を仮定しない非パラメトリックアプローチを用いて、データ分布をモデル化する。
• 修正ミラー降下アルゴリズムを用いて、線形重み行列を反復的に最適化する。
• 最適化は、パブリック仮説検出の正則化された経験的リスクを最小化するとともに、プライベート仮説検出の正則化された経験的リスクが所定の閾値を超えるように保証する。
• アルゴリズムは、パブリック検出誤差の最小化と、プライベート検出誤差の下限の強制を併用することで、プライバシーと検出精度のバランスを図る。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、パブリック仮説検出の正確性を保ちながら、融合センターによるプライベート仮説の推定を防ぐことができるか？
• RQ2 マルチレイヤー非線形処理を用いてセンサーデータを歪ませる最適な方法は何か？ これにより、プライバシーと精度のトレードオフを達成できるか？
• RQ3 非パラメトリック最適化手法は、センサネットワークにおけるプライバシーと検出性能のバランスを効果的に実現できるか？
• RQ4 クラスタリングとレイヤード処理は、プライバシーと検出精度のトレードオフにどのように影響を与えるか？
• RQ5 修正ミラー降下アルゴリズムは、望ましいプライバシーと検出目的を達成するために果たす役割は何か？

主な発見

• 提案されたフレームワークは、実データセット上において、パブリック仮説とプライベート仮説の誤差率の間で良好なトレードオフを達成した。
• クラスタ化されたセンサー統合を伴うマルチレイヤー非線形処理の使用により、パブリック仮説検出精度を著しく低下させることなく、プライバシー保護が向上した。
• 修正ミラー降下アルゴリズムは、プライバシー制約を満たしつつパブリック検出誤差を最小化するように線形重み行列を効果的に最適化した。
• 非パラメトリックアプローチにより、強いパラメトリック仮定を必要とせず、複雑で未知のデータ分布に適応できるようになった。
• 実験結果から、フレームワークはパブリック仮説検出の誤差率を低く維持するとともに、プライベート仮説検出が指定されたプライバシー閾値を超えることを保証した。
• レイヤードアーキテクチャにより、スケーラブルかつ分散処理が可能となり、大規模センサネットワークに適した手法となった。