[論文レビュー] On Addressing Efficiency Concerns in Privacy Preserving Data Mining

Shipra Agrawal, Vijay Krishnan+1 more|arXiv (Cornell University)|Oct 17, 2003

Imbalanced Data Classification Techniques参考文献 10被引用数 5

ひとこと要約

この論文では、記号固有の歪みパラメータとターゲット最適化を用いることで、データ歪みのランタイムオーバーヘッドを低減する最適化アルゴリズムEMASKを提案する。歪みパラメータを慎重にチューニングし、カウントのオーバーヘッドをデータベースパスの最後に移動させることで、EMASKは標準のAprioriの5倍以内のマイニング性能を達成し、高いプライバシー（100点中70点以上）と正確性（100点中80点以上）を維持する。

ABSTRACT

Data mining services require accurate input data for their results to be meaningful, but privacy concerns may influence users to provide spurious information. To encourage users to provide correct inputs, we recently proposed a data distortion scheme for association rule mining that simultaneously provides both privacy to the user and accuracy in the mining results. However, mining the distorted database can be orders of magnitude more time-consuming as compared to mining the original database. In this paper, we address this issue and demonstrate that by (a) generalizing the distortion process to perform symbol-specific distortion, (b) appropriately choosing the distortion parameters, and (c) applying a variety of optimizations in the reconstruction process, runtime efficiencies that are well within an order of magnitude of undistorted mining can be achieved.

研究の動機と目的

• 歪みデータマイニングが直接マイニングよりも数個のオーダーも遅くなる、プライバシー保護データマイニングにおける重要な性能ボトルネックに対処する。
• プライバシーと正確性を確保しているものの、著しく高いランタイムコストを負うため、実用的でないPrior schemes（例：MASK）の非効率性を克服する。
• アソシエーションルールマイニングにおいて、高いプライバシー、高い正確性、そして受け入れ可能なランタイム効率を同時に達成する新しいアルゴリズムを設計する。
• 出力されたルールを用いて歪んだデータをプローブする可能性を考慮した、新たなプライバシー概念「再問診プライバシー」を導入し、評価する。
• 実世界の応用においてプライバシー保護マイニングを現実可能にするために、実用的なパラメータ推定式と最適化技術を提供する。

提案手法

• MASKにおける歪みプロセスを一般化し、取引における1（アイテムの存在）と0（アイテムの不在）に対して異なるパラメータを用いる記号固有の歪みを実行する。
• プライバシー、正確性、効率性のバランスを取る最適歪みパラメータ（pおよびq）を推定するための解析的公式を導出する。
• すべての歪みに起因する追加のカウント処理をデータベースパスの最後に延期することで、マイニングプロセスを再構成し、ランタイムオーバーヘッドを最小限に抑える。
• 特に密度の高いデータベースにおいて、頻出アイテムセット生成の過程での重複計算を削減する最適化技術を適用する。
• オリジナルのデータエントリのルールベース再同定のリスクを捉える新たなプライバシー指標「再問診プライバシー」を導入する。
• 合成データおよび実世界のデータセットを用いてアプローチを検証し、さまざまなパラメータ設定下でのランタイム、プライバシー、正確性を測定する。

実験結果

リサーチクエスチョン

• RQ1 プライバシー保護アソシエーションルールマイニングのランタイムオーバーヘッドを、標準マイニングの1桁以内にまで低減できるか？
• RQ2 記号固有の歪みのパラメータ設定で、プライバシー、正確性、効率性の最良のトレードオフを達成するものは何か？
• RQ3 ルールを用いて歪んだデータをプローブする「再問診プライバシー」は、全体のプライバシー保証にどのように影響するか？
• RQ4 データベースパスの最後にカウントオーバーヘッドを移動させる最適化戦略は、マイニングパフォーマンスを顕著に向上させられるか？
• RQ5 多様なデータセットにおいて、高いプライバシー、高い正確性、受け入れ可能な効率性が共存する安定した「機会の窓」が存在するか？

主な発見

• EMASKは実データセット上で、標準のAprioriの5倍未満のマイニングランタイムを達成し、過去の100～1000倍から5倍のオーバーヘッドにまで低減した。
• 歪みパラメータp=0.4およびq=0.98を用いることで、EMASKは実データセット上で100点中70点以上のプライバシーと80点以上の正確性を達成し、3つの目標のバランスの取れた実現を示した。
• 合成データセットの実験では、プライバシーと正確性がパラメータ設定、特にqに極めて敏感であることが示された。q=0.99では、長いアイテムセットの影響で正確性のばらつきが大きくなった。
• 実データセットでは、より高いランタイム遅延（約15～30倍）が見られたが、プライバシーや正確性は依然として強く保たれ、データのスパarsityが一部の非効率性を緩和した。
• 歪みパラメータの推定式は、プライバシー、正確性、効率性がすべて最大化される最適な「機会の窓」を特定するのに有効であった。
• 再問診プライバシーモデルは、ルールベースのプローブが行われても、最適パラメータ設定下ではプライバシー保証が依然として強く保たれることを示し、本手法の堅牢性を裏付けた。