[論文レビュー] Private Disclosure of Information in Health Tele-monitoring

Daniel Aranki, Růžena Bajcsy|arXiv (Cornell University)|Apr 28, 2015

Privacy-Preserving Technologies in Data参考文献 24被引用数 3

ひとこと要約

本稿では、被験者が提示するデータが、喫煙状態などの感覚的個人情報が推定されないよう、攻撃者の推定能力にかかわらず、完全なプライバシーを実現しつつ、目的の受信者に対して完全なデータの有用性を保つ方法を提供する、Private Disclosure of Information (PDI) と呼ばれる新規フレームワークを提案する。主な貢献は、攻撃者の補助的知識に依存しない完全なプライバシーを保証する理論的条件（定理1）を示しており、特定のデータ生成モデルに対して閉形式解を用いることで実現可能である。

ABSTRACT

We present a novel framework, called Private Disclosure of Information (PDI), which is aimed to prevent an adversary from inferring certain sensitive information about subjects using the data that they disclosed during communication with an intended recipient. We show cases where it is possible to achieve perfect privacy regardless of the adversary's auxiliary knowledge while preserving full utility of the information to the intended recipient and provide sufficient conditions for such cases. We also demonstrate the applicability of PDI on a real-world data set that simulates a health tele-monitoring scenario.

研究の動機と目的

• 生のデータが本質的に機微でない場合でも、提示された健康データが喫煙状態などの感覚的個人情報を推定するリスクに対処すること。
• 攻撃者の補助的知識をモデル化することに依存せず、感覚的属性に対して完全なプライバシーを保証するプライバシー保護フレームワークの開発。
• 攻撃者が感覚的個人情報を推定できないようにしつつ、目的の受信者に対して完全なデータの有用性を維持すること。
• CDCのBMIおよび体重状態データセットから得た実世界の健康データを用いて、フレームワークの実現可能性と有効性を実証すること。
• 受信者が攻撃者よりも部分的だがより強い知識を持つ状況へのフレームワークの拡張を検討すること。

提案手法

• データが提示される際、提示されたデータと感覚的属性との間の相互情報量が最小化されるように、データをプライバシー化するフレームワーク、Private Disclosure of Information (PDI) を提案する。
• 攻撃者の私的属性に関する事前知識に依存せず、完全なプライバシーが達成可能な理論的条件を導出する。
• データ生成モデルが既知で、特定の構造的条件を満たす場合には、プライバシー変換関数の閉形式解を用いる。
• 提示されたデータ $ z $ と私的クラス $ c $ の間の相互情報量を推定するために、条件付き分布 $ p(z|c) $ を多次元ヒストグラムとしてモデル化する。
• 学習ベースのアプローチを用いて、データからプライバシー変換関数を推定し、最小相互情報量を最適化ターゲットとする。
• 分類精度を有用性指標として用い、CDCが提供するBMI、体重、体重状態の実世界データセットにフレームワークを適用する。

実験結果

リサーチクエスチョン

• RQ1 攻撃者の私的属性に関する補助的知識の仮定なしに、データ公開において完全なプライバシーが達成可能な条件は何か？
• RQ2 データをどのように変換すれば、目的の受信者に対して完全な有用性を保ちつつ、攻撃者が私的属性を推定できないようにできるか？
• RQ3 本フレームワークは、実世界の健康遠隔モニタリングデータに適用可能であり、プライバシーを保ちつつ分析的有用性を維持できるか？
• RQ4 特に高次元空間において、プライバシー変換関数を学習する際の計算的・スケーラビリティの課題は何か？
• RQ5 受信者が攻撃者よりも私的クラスについてより強い知識を持つ場合、フレームワークの性能はどのように変化するか？

主な発見

• 理論的分析により、攻撃者の私的属性に関する補助的知識にかかわらず、完全なプライバシーが達成可能であることが証明され、定理1で形式化されている。
• データ生成モデルが特定の構造的条件を満たす場合、プライバシー変換関数の閉形式解が得られ、完全なプライバシーが達成可能である。
• CDCが提供するBMIおよび体重データを用いた実験結果から、プライバシー化後、分類精度が理論的下限に近づくことが確認され、効果的なプライバシー保護が実現された。
• フレームワークは、データが下流分析に使用されても、私的情報（例：喫煙状態）が推定できないようにデータをプライバシー化できることを示している。
• 現在の実装では、$ p(z|c) $ のヒストグラムベース推定による次元の呪いに起因する課題があるため、混合分布などのより効率的なモデルの導入が求められる。
• 本手法は暗号化と相補的であり、暗号化されたメッセージが後で漏洩した場合でも有効である。なぜなら、私的情報はすでにデータ変換段階で隠されているからである。