[論文レビュー] Optimal Bounds for Private Minimum Spanning Trees via Input Perturbation

Rasmus Pagh, Lukas Retschmeier+2 more|arXiv (Cornell University)|Dec 13, 2024

Mobile Ad Hoc Networks被引用数 1

ひとこと要約

本稿では、エッジ重みの微分的プライバシー下で、最小全域木（MST）に対する最適な誤差バウンドを達成する、新しい入力摂動フレームワークを提示する。非プライベートなMSTアルゴリズムを実行する前に、入力重みに適切にスケーリングされたノイズを追加することで、(𝜀,𝛿)-微分的プライバシーを保証しつつ、下位のMSTアルゴリズムの時間計算量を維持し、最適な誤差 Õ(𝑛³ᐟ²) を達成する。これは、プライベートなMST計算における効率性と有効性のトレードオフに関して、長年の未解決問題を解決するものである。

ABSTRACT

We study the problem of privately releasing an approximate minimum spanning tree (MST). Given a graph $G = (V, E, \vec{W})$ where $V$ is a set of $n$ vertices, $E$ is a set of $m$ undirected edges, and $ \vec{W} \in \mathbb{R}^{|E|} $ is an edge-weight vector, our goal is to publish an approximate MST under edge-weight differential privacy, as introduced by Sealfon in PODS 2016, where $V$ and $E$ are considered public and the weight vector is private. Our neighboring relation is $\ell_\infty$-distance on weights: for a sensitivity parameter $\Delta_\infty$, graphs $ G = (V, E, \vec{W}) $ and $ G' = (V, E, \vec{W}') $ are neighboring if $\|\vec{W}-\vec{W}'\|_\infty \leq \Delta_\infty$. Existing private MST algorithms face a trade-off, sacrificing either computational efficiency or accuracy. We show that it is possible to get the best of both worlds: With a suitable random perturbation of the input that does not suffice to make the weight vector private, the result of any non-private MST algorithm will be private and achieves a state-of-the-art error guarantee. Furthermore, by establishing a connection to Private Top-k Selection [Steinke and Ullman, FOCS '17], we give the first privacy-utility trade-off lower bound for MST under approximate differential privacy, demonstrating that the error magnitude, $ ilde{O}(n^{3/2})$, is optimal up to logarithmic factors. That is, our approach matches the time complexity of any non-private MST algorithm and at the same time achieves optimal error. We complement our theoretical treatment with experiments that confirm the practicality of our approach.

研究の動機と目的

• 線形時間計算量と最適な誤差バウンドを両立できる、微分的プライバシーを満たすMSTアルゴリズムが存在するかどうかという、長年の未解決問題に取り組むこと。
• プライベートなMST計算において、計算効率を犠牲にする（インプレイスノイズ）か、正確性を犠牲にする（入力のプライバシー化）という、既存の手法のギャップを埋めること。
• ℓ∞-近接関係におけるプライベートなMSTに対する、初めての漸近的にタイトな誤差下界を確立し、提案手法の最適性を証明すること。
• 従来、有効性が低いと考えられていた入力摂動が、適切なノイズスケーリングと非プライベートなMSTアルゴリズムを組み合わせることで、最適な有効性を達成できることを示すこと。

提案手法

• 非プライベートなMSTアルゴリズムを実行する前に、入力グラフの各エッジ重みに、スケールが 1/𝜀 に比例する独立なラプラスノイズを追加する。
• 微分的プライバシーの後処理不変性の性質を活用し、ℓ∞-感度に基づいてノイズをスケーリングすることで、(𝜀,𝛿)-微分的プライバシーを保証する。
• Karger–Klein–Tarjan法やChazelleのアルゴリズムなど、期待線形時間計算量を達成する非プライベートなMSTアルゴリズムに対しても、本フレームワークは互換性を持つ。
• プライベートなトップ-k選択との関係を活用することで、誤差の大きさ Õ(𝑛³ᐟ²) が情報論的にタイトであることを示し、最適な誤差を達成する。
• プライベートなトップ-k選択への還元とパッキング論法を用いた理論的分析により、誤差バウンドが対数要因を除いて最適であることを証明する。
• 実験的評価により、出力分布がPAMSTなどの最先端のインプレイス手法と一致し、特に密なグラフでは入力プライバシー化手法を上回ることを確認した。

実験結果

リサーチクエスチョン

• RQ1 線形時間計算量と最適な誤差バウンドを両立できる、微分的プライバシーを満たすMSTアルゴリズムは存在するか？
• RQ2 ℓ∞-近接関係下で、プライベートなMSTに対する Õ(𝑛³ᐟ²) の誤差バウンドは、漸近的に最適か？
• RQ3 従来、有効性が低いと考えられていた入力摂動が、プライベートなMST計算において最適な有効性を達成できるか？
• RQ4 近似的微分的プライバシー下でのプライベートなMSTのプライバシー-有効性トレードオフは、どのように特徴づけられ、タイトに記述可能か？

主な発見

• 提案された入力摂動フレームワークは、(𝜀,𝛿)-微分的プライバシー下で、期待誤差 Õ(1/𝜀 · 𝑛³ᐟ² · log𝑛 · √log(1/𝛿)) を達成し、インプレイス手法から得られる最良の誤差バウンドと一致する。
• 本手法は、任意の非プライベートなMSTアルゴリズムの時間計算量を保ち続け、そのようなアルゴリズムが使用される場合には期待線形時間での実行が可能になる。
• 誤差に対する下界 Ω(1/𝜀 · 𝑛³ᐟ² · log𝑛) を確立し、提案された誤差バウンドが対数要因を除いて漸近的に最適であることを証明した。
• 本フレームワークは、Sealfon (2016) が提唱した従来の入力プライバシー化手法（ℓ∞-近接関係下で誤差 Õ(𝑛²) を示す）を上回り、特に密なグラフにおいて顕著な優位性を示す。
• 実験結果により、本手法の出力分布がPAMST（最先端のインプレイス手法）と密接に一致し、実用的有効性を裏付けた。
• 本研究により、プライベートなMST計算において、効率性と正確性の両方の最良の側面を実現できることが解決された。