[論文レビュー] Privacy Under Hard Distortion Constraints

Jiachun Liao, Oliver Kosut+2 more|arXiv (Cornell University)|May 31, 2018

Privacy-Preserving Technologies in Data参考文献 10被引用数 6

ひとこと要約

本稿は、硬い歪み制約下でのプライバシー・ユーティリティのトレードオフを検討し、公開データに対して決定論的な忠実度保証を確保する。任意の α > 1 に対して、最適なプライバシーメカニズムとトレードオフが、すべての最大 α-リークメジャーに対して不変であることを示し、これは α=1 の場合の相互情報量または α=∞ の場合の最大リークに帰着する。解はデータ分布に依存せず、歪み予算にのみ依存する。

ABSTRACT

We study the problem of data disclosure with privacy guarantees, wherein the utility of the disclosed data is ensured via a \emph{hard distortion} constraint. Unlike average distortion, hard distortion provides a deterministic guarantee of fidelity. For the privacy measure, we use a tunable information leakage measure, namely extit{maximal $α$-leakage} ($α\in[1,\infty]$), and formulate the privacy-utility tradeoff problem. The resulting solution highlights that under a hard distortion constraint, the nature of the solution remains unchanged for both local and non-local privacy requirements. More precisely, we show that both the optimal mechanism and the optimal tradeoff are invariant for any $α>1$; i.e., the tunable leakage measure only behaves as either of the two extrema, i.e., mutual information for $α=1$ and maximal leakage for $α=\infty$.

研究の動機と目的

• 硬い歪み制約を用いて、元のデータと公開データの間で決定論的忠実度を保証するプライバシー・ユーティリティトレードオフを扱う。
• 調整可能なプライバシー指標（最大 α-リーク）が、この硬い歪み制約下での最適漏洩しメカニズムに与える影響を分析する。
• 最大 α-リーク測度における α の値やデータ分布に依存して、最適プライバシーメカニズムとトレードオフが変化するかを特定する。
• f-発散に基づく漏洩測度のより広いクラスにまで分析を拡張し、同じ硬い歪み制約フレームワーク下での最適トレードオフを導出する。

提案手法

• 本稿は、プライバシー指標として最大 α-リークを用い、元データと公開データの間の決定論的忠実度を強制する硬い歪み制約を導入して、プライバシー・ユーティリティトレードオフ問題を定式化する。
• 解は、出力分布に関する制約付き最適化問題を解くことで得られ、α > 1 における解の不変性を活用する。
• 解は入力データ分布に依存せず、歪み予算と可能な出力集合の構造にのみ依存することが示された。
• タイプベースの歪み（経験的分布距離）を伴う2値データの場合、最適メカニズムは各タイプクラスを一意の出力データセットに一様確率でマッピングする。
• タイプクラスを互いに素な可能な球に分割することで、最適リークのタイトな上界と下界を導出し、最小達成可能なリークの閉形式表現を得た。
• 最適出力分布は、非重複する可能なタイプクラスのグループごとに1つの代表的データセットに等確率を割り当て、硬い歪み制約下での最大のロバストネスを確保する。

実験結果

リサーチクエスチョン

• RQ1 硬い歪み制約を用いる場合、最適プライバシーメカニズムはデータ分布に依存するか？
• RQ2 最大 α-リークにおける α の選択が、硬い歪み制約下での最適プライバシー・ユーティリティトレードオフに与える影響は何か？
• RQ3 最適メカニズムは α > 1 の異なる値に対して不変であるか、それとも α に依存して変化するか？
• RQ4 最大 α-リークを用いて、硬い歪み制約下でプライバシー・ユーティリティトレードオフを閉形式で解けるか？
• RQ5 歪みが入力および出力データセットの経験的分布間の距離として測定される場合、最適メカニズムはどのように振る舞うか？

主な発見

• 任意の α > 1 に対して、最適プライバシーメカニズムとそれによるプライバシー・ユーティリティトレードオフは不変であり、基礎となるデータ分布に依存しない。
• 最適メカニズムは、各入力タイプクラスを確率1で1つの出力データセットにマッピングし、硬い歪み制約下で決定論的忠実度を確保する。
• α > 1 における最小達成可能な最大 α-リークは、⌈(n+1)/(2m+1)⌉ の逆数で与えられる。ここで m は歪み予算、n はデータセット長である。
• α > 1 の解は、最大リーク（α = ∞）の解と同一であり、調整可能な α-リークがすべての α > 1 に対して同じ極端な振る舞いに収束することを示唆している。
• α = 1 の場合、最適メカニズムはデータ分布に依存するが、α > 1 の場合には依存しない。これは α パrameter空間の境界における本質的な挙動の違いを示している。
• 最適出力分布は、非重複する可能なタイプクラスのグループごとに1つの代表的データセットに等確率を割り当て、出力空間の分割を形成する。