[論文レビュー] Privacy-preserving Analysis of Correlated Data.

Yizhen Wang, Shuang Song+1 more|arXiv (Cornell University)|Mar 13, 2016

Privacy-Preserving Technologies in Data参考文献 20被引用数 13

ひとこと要約

本論文は、Pufferfishプライバシー枠組み下で相関のあるデータのプライバシー保護分析を可能にするため、ワッサーシュタイン機構とマルコフクルツ機構を導入する。これらはそれぞれ時系列データおよびネットワークデータに対して、一般解と計算的に効率的な代替手段を提供し、従来の微分プライバシーをはるかに超えるプライバシー保証を拡張する。

ABSTRACT

Many modern machine learning applications involve sensitive correlated data, such private information on users connected together in a social network, and measurements of physical activity of a single user across time. However, the current standard of privacy in machine learning, differential privacy, cannot adequately address privacy issues in this kind of data. This work looks at a recent generalization of differential privacy, called Pufferfish, that can be used to address privacy in correlated data. The main challenge in applying Pufferfish to correlated data problems is the lack of suitable mechanisms. In this paper, we provide a general mechanism, called the Wasserstein Mechanism, which applies to any Pufferfish framework. Since the Wasserstein Mechanism may be computationally inefficient, we provide an additional mechanism, called Markov Quilt Mechanism, that applies to some practical cases such as physical activity measurements across time, and is computationally efficient.

研究の動機と目的

• 社会的ネットワークや時系列の身体活動測定値などの感受性の高い相関データを扱う際、微分プライバシーの限界を克服すること。
• 任意の相関データフレームワークに適用可能な、Pufferfishプライバシーの汎用的メカニズムを構築すること。
• 縦断的健康データのような実用的ユースケースに適した、計算的に効率的なメカニズムを設計すること。
• 理論的Pufferfishプライバシーと、依存構造を含む実世界の機械学習応用との間のギャップを埋めること。

提案手法

• 最適輸送理論を活用してプライバシー漏洩を制限することで、相関データにおけるPufferfishプライバシーの一般解としてワッサーシュタイン機構を提案する。
• ワッサーシュタイン機構を任意のPufferfishフレームワークに適用し、分布感受性解析を通じてプライバシー保証を確保する。
• 時系列測定値のようなマルコフ的依存構造を持つデータに特化した、効率的なバリエーションとしてマルコフクルツ機構を導入する。
• マルコフクルツ機構では条件付き独立性の仮定を用いることで、計算複雑性を低減しつつプライバシーを維持する。
• データ依存構造に基づいてノイズ注入を最適化するメカニズム設計アプローチを採用する。
• Pufferfishフレームワークが、秘密の集合とデータ構成の集合を指定することによりプライバシーを定義できる能力に依存する。

実験結果

リサーチクエスチョン

• RQ1 微分プライバシーが不十分となる相関のあるデータにおいて、Pufferfishプライバシーを効果的に適用する方法は何か？
• RQ2 任意の相関データ構造にわたってPufferfishプライバシーを保証する一般メカニズムは何か？
• RQ3 Pufferfishプライバシー下で、実用的時系列データに適した計算的に効率的なメカニズムを設計できるか？
• RQ4 提案されたメカニズムは、実世界の相関データにおいて、プライバシーと利便性のトレードオフにおいてどのように比較されるか？

主な発見

• ワッサーシュタイン機構は、任意のフレームワークに適用可能な理論的に妥当な一般解として、相関データにおけるPufferfishプライバシーを提供する。
• マルコフクルツ機構は、縦断的物理活動測定値のようなマルコフ的依存データにおいて、顕著な計算的効率性を達成する。
• 両メカニズムは、i.i.d.データにとどまらず、構造的で相関のあるデータタイプへとPufferfishプライバシーの適用範囲を拡張する。
• メカニズムは、確率的構造を通じてデータ依存性を明示的にモデル化することにより、強力なプライバシー保証を実現する。