[論文レビュー] Privid: Practical, Privacy-Preserving Video Analytics Queries

Frank Cangialosi, Neil Agarwal+5 more|arXiv (Cornell University)|Jun 22, 2021

Privacy-Preserving Technologies in Data参考文献 27被引用数 5

ひとこと要約

Prividは、個々の人物がK回にわたって合計ρ秒未塔の間しか露出しない場合に、そのイベントをε-DPで保護する$(\rho,K,\epsilon)$-イベント期間プライバシーという、動画分析のための新しい微分プライバシーモデルを導入する。このモデルにより、プライベートなコンテンツの完全な検出を必要とせず、実用的なプライバシー保護を実現するクエリが可能になる。本システムは、多様な動画ワークロードにおいて、非プライベートな分析と比較して79–99％の精度を達成する。

ABSTRACT

Analytics on video recorded by cameras in public areas have the potential to fuel many exciting applications, but also pose the risk of intruding on individuals' privacy. Unfortunately, existing solutions fail to practically resolve this tension between utility and privacy, relying on perfect detection of all private information in each video frame--an elusive requirement. This paper presents: (1) a new notion of differential privacy (DP) for video analytics, $(ρ,K,ε)$-event-duration privacy, which protects all private information visible for less than a particular duration, rather than relying on perfect detections of that information, and (2) a practical system called Privid that enforces duration-based privacy even with the (untrusted) analyst-provided deep neural networks that are commonplace for video analytics today. Across a variety of videos and queries, we show that Privid achieves accuracies within 79-99% of a non-private system.

研究の動機と目的

• すべてのフレームでプライベート情報の完全な検出を必要とする従来のプライバシー保護型動画分析の現実的でない点を是正すること。
• 空間的なプライベートコンテンツの検出ではなく、可視化の時間的期間に注目することで、プライバシー定義と実装を分離すること。
• 信頼できないアナリストと事前学習済みのディープラーニングモデルを想定した、実世界の動画分析ワークロードをサポートする実用的なシステムを設計すること。
• プライベート情報が完全に検出可能でない場合でも有効である、堅牢で柔軟なプライバシー保証を提供すること。
• 個人がフレーム間で特定されたり追跡されたりしないようにしながら、高い利用価値を持つ分析を可能にすること。

提案手法

• 任意のイベントがK回の発生において合計ρ秒未塔の間しか可視化されない場合に、そのイベントがε-DPで保護される、新しい微分プライバシー定式化$(\rho,K,\epsilon)$を提唱する。
• 動画を時間的チャンクに分割し、個人が影響を及ぼす可能性があるチャンク数に基づいてクエリ結果にノイズを追加するシステムアーキテクチャを設計する。プライベートなコンテンツの知識が不要である。
• マスキングを用いて非プライベート領域を分析から除外することで、有効なρバウンドを低下させ、ノイズを低減し、精度を向上させる。
• マスク処理およびチャンク化された動画データからの中間結果に対して、微分プライベートな集約プリミティブ（例：SUM、UNION、ARGMAX）を適用する。
• プライバシー予算εおよびρ、Kの境界に従って、時間的粒度、精度、ノイズのバランスを取るためにパラメータスイープ戦略を採用する。
• チャンクサイズの調整と、チャンク間での軌跡状態の保持により、ステートレスクエリとステートフルクエリの両方をサポートする。

実験結果

リサーチクエスチョン

• RQ1 すべてのフレームでプライベートなコンテンツの完全な検出を必要としない、プライバシー保護型動画分析システムを設計できるか？
• RQ2 空間的検出ではなく、プライベートイベントの時間的期間に注目することで、微分プライバシーを動画分析に適応できるか？
• RQ3 期間ベースのプライバシーのもとで、実用的な動画分析システムにおいて、時間的分解能、精度、ノイズのトレードオフはどのように変化するか？
• RQ4 このようなシステムは、複雑な実世界のクエリ（例：マルチカメラジョイン、ステートフルな軌跡カウント）をプライバシーを損なわずに行えるか？
• RQ5 ρ、K、εの選択が、分析結果の精度と利用価値にどのように影響するか？

主な発見

• Prividは、実世界の動画分析ワークロードの多様なケースにおいて、非プライベートなベースラインと比較して79–99％のクエリ精度を達成する。
• システムのノイズ追加は、個人が影響を及ぼす可能性があるチャンク数に合わせて調整されており、$(\rho,K)$-バウンド下でε-DPが保証される。
• クエリウィンドウのサイズを拡大することで、1結果あたりに必要なノイズ量が減少し、特に長期集計において精度が向上する。
• 非プライベート領域（例：信号機、木）をマスキングすることで、有効なρバウンドが低下し、より高い精度と細かい時間的分解能が可能になる。
• 動画のチャンク化とマスキングが精度に与える影響は、プライバシーのためのノイズに比べて小さいが、元のデータの全体的なトレンドは保持されている。
• マルチカメラジョイン、ステートフルな軌跡カウント、非プライベートオブジェクトの集約など、複雑なクエリを高い精度でサポートする。