[論文レビュー] Optimizing Locally Differentially Private Protocols

Tianhao Wang, Jeremiah Blocki+2 more|arXiv (Cornell University)|May 12, 2017

Privacy-Preserving Technologies in Data参考文献 11被引用数 7

ひとこと要約

本稿では、局所的微分プライバシー（LDP）プロトコルを最適化する統一フレームワークを導入し、正確な分析とパrameter調整を可能にすることで、ユーティリティの向上を実現する。新たに提案された2つのプロトコル、最適化されたユニタリエンコーディング（OUE）と最適化されたローカルハッシュ（OLH）により、推定分散が顕著に低減され、OLHは従来手法と比較して最大14倍の分散低減を達成しながら、通信コストは低く抑えられる。

ABSTRACT

Protocols satisfying Local Differential Privacy (LDP) enable parties to collect aggregate information about a population while protecting each user's privacy, without relying on a trusted third party. LDP protocols (such as Google's RAPPOR) have been deployed in real-world scenarios. In these protocols, a user encodes his private information and perturbs the encoded value locally before sending it to an aggregator, who combines values that users contribute to infer statistics about the population. In this paper, we introduce a framework that generalizes several LDP protocols proposed in the literature. Our framework yields a simple and fast aggregation algorithm, whose accuracy can be precisely analyzed. Our in-depth analysis enables us to choose optimal parameters, resulting in two new protocols (i.e., Optimized Unary Encoding and Optimized Local Hashing) that provide better utility than protocols previously proposed. We present precise conditions for when each proposed protocol should be used, and perform experiments that demonstrate the advantage of our proposed protocols.

研究の動機と目的

• 純粋LDPプロトコルの周波数推定における一般的な分析・最適化フレームワークの開発。
• 特にユニタリエンコーディングおよびローカルハッシングの分野において、既存LDPプロトコルのユーティリティを向上させるために、その確率的変換パrameterを最適化すること。
• LDP環境下での強いプライバシー保証を維持しつつ、推定分散と通信コストを低減すること。
• プライバシー予算（ε）とドメインサイズ（d）に基づいて、OUEとOLHの使用をどの条件下で選択すべきかを明確に示すガイドラインの提供。
• 合成データおよび実データ上で優れた性能を示すことで、LDPの実世界システムへの実用的導入を可能にすること。

提案手法

• すべての純粋LDPプロトコルに対して不偏推定と解析可能な分散を生成する汎用的な集約および復号技術を提案。
• 対称的確率的変換に基づく純粋LDPプロトコルの形式的フレームワークを導入し、体系的な比較と最適化を可能にする。
• 与えられたε予算下での分散最小化を目的に、ユニタリエンコーディングの確率的変換パrameterを最適化し、OUEを導出。
• ランダム行列射影プロトコルを二値ローカルハッシュとして再解釈し、そのパrameterを最適化してOLHを構築。
• 異なるプロトコル下での推定分散について閉形式の式を導出し、正確な比較を可能にする。
• すべての入力値に対して均一なプライバシーと正確性を保証する対称的確率的変換メカニズムを採用。

実験結果

リサーチクエスチョン

• RQ1 統一フレームワークを用いて、異なるLDPプロトコルの精度を体系的に分析・比較するにはどうすればよいか？
• RQ2 局所的微分プライバシー下でユニタリエンコーディングの最適な確率的変換パrameterは何か？ これは推定分散を最小化するためのものである。
• RQ3 ローカルハッシングを一般化し最適化することで、従来手法と比較してより高い正確性と低い通信コストを達成できるか？
• RQ4 OLHがRAPPOR や BLH よりも分散とユーティリティの点で優れる条件は何か？
• RQ5 プライバシー予算（ε）とドメインサイズ（d）は、最適なユーティリティを得るためのOUEとOLHの選択にどのように影響を与えるか？

主な発見

• 最適化されたローカルハッシュ（OLH）プロトコルは、ε ≈ 4 の条件下でRAPPORと比較して推定分散を2倍、ランダム行列射影（BLH）と比較して14倍低減する。
• OLHはOUEと同等の誤差分散を達成するが、はるかに低い通信コストを維持しており、大規模ドメインにおいてもスケーラブルである。
• OUEを用いて基本RAPPORのパrameterを最適化することで、元のプロトコルと比較してユーティリティが顕著に向上する。
• OLHは通信コスト（Θ(log n)）を低く保ちつつ、最先端の正確性を達成しており、大規模な展開に最適である。
• 本フレームワークにより、分散の正確な分析が可能となり、εとdに基づいたプロトコル選択の明確なガイドラインが提供される。
• 合成データおよび実世界データ上で実施した実験により、OLHは従来手法よりも誤検出を減らし、真陽性を増やすことが確認された。