[論文レビュー] Ratio Utility and Cost Analysis for Privacy Preserving Subspace Projection

Mert Al, Shibiao Wan+1 more|arXiv (Cornell University)|Feb 26, 2017

Privacy-Preserving Technologies in Data参考文献 11被引用数 23

ひとこと要約

本稿では、判別成分分析（DCA）と多クラス判別比（MDR）基準を組み合わせることで、有用性とプライバシーのトレードオフを最適化する、新しい部分空間射影手法RUCAを提案する。目的分類のための有用性を最大にする一方で、プライバシーに配慮するクラスの分離性を最小化するように、一般化固有値問題として定式化することで、CensusおよびHuman Activity Recognition（HAR）データセットにおいて、さまざまなプライバシー価格水準で、最先端の手法を上回る優れた有用性とプライバシー保護性能を達成する。

ABSTRACT

With a rapidly increasing number of devices connected to the internet, big data has been applied to various domains of human life. Nevertheless, it has also opened new venues for breaching users' privacy. Hence it is highly required to develop techniques that enable data owners to privatize their data while keeping it useful for intended applications. Existing methods, however, do not offer enough flexibility for controlling the utility-privacy trade-off and may incur unfavorable results when privacy requirements are high. To tackle these drawbacks, we propose a compressive-privacy based method, namely RUCA (Ratio Utility and Cost Analysis), which can not only maximize performance for a privacy-insensitive classification task but also minimize the ability of any classifier to infer private information from the data. Experimental results on Census and Human Activity Recognition data sets demonstrate that RUCA significantly outperforms existing privacy preserving data projection techniques for a wide range of privacy pricings.

研究の動機と目的

• 既存のプライバシー保護型データ投影手法が、有用性とプライバシーのバランスを効果的にとれずに柔軟性に欠けるという問題に対処すること。
• DCA（有用性指向）とMDR（プライバシー重視）のアプローチを統合し、制御可能なトレードオフを実現する包括的なフレームワークを構築すること。
• データ所有者が意図した分類タスクの性能を維持しつつ、プライベート属性の推論を意図的に最小化できるようにすること。
• 共同学習環境におけるプライバシー保護型次元削減のためのスケーラブルで数学的に裏付けられた手法を提供すること。
• 実世界のデータセットを用いた実験を通じて、さまざまなプライバシー制約下での手法の優位性を実証すること。

提案手法

• RUCAは、有用性タスクにおけるクラス間分散と、プライバシーに配慮するタスクにおけるクラス内分散の両方を最適化するように、一般化固有値問題を定式化する。
• 射影行列Wを用い、高次元データXをZ = W^T Xにより低次元部分空間Zにマッピングする。Wは一般化固有値分解により得られる。
• プライバシーパラメータρpがトレードオフを制御し、プライバシーに配慮するクラスの分離性を最小化しつつ、有用性クラスの分離性を最大化するように調整可能である。
• 比率に基づく有用性とコスト関数を導入することで、DCAとMDRを一般化し、有用性の相対的増加とプライバシー損失のバランスを定量化する。
• 複数のプライバシーに配慮する分類タスクをサポートし、ラベル付きの有用性およびプライバシークラスを有する実データセットを用いて適用する。
• 最適な射影行列は、有用性とプライバシーの両方の目的を統合した共分散行列の定式化に基づき、一般化固有値分解（GEVD）により計算される。

実験結果

リサーチクエスチョン

• RQ1 有用性とプライバシーの両方を効果的にバランスさせる統合的フレームワークを、既存の手法を上回る形で開発できるか？
• RQ2 さまざまなプライバシー価格水準において、RUCAはDCA、MDR、PCA、およびランダム射影と比較してどの程度の性能を示すか？
• RQ3 RUCAは、意図した分類タスクの有用性をどの程度維持しつつ、分類器によるプライベート属性の推論能力をどの程度低減できるか？
• RQ4 CensusおよびHuman Activity Recognitionのような多様なデータセットにおいて、さまざまなプライバシー制約下でもRUCAは強力な性能を維持できるか？
• RQ5 本手法は、同時に複数のプライバシーに配慮する分類タスクをサポートできるように拡張可能か？

主な発見

• Censusデータセットでは、ρp = 1の場合、β ≥ 0.073の条件下でDCAおよび他のすべての手法を上回り、より高い有用性と優れたプライバシー保護を達成した。
• HARデータセットでは、ρp ≥ 0.226の場合、すべてのプライバシー価格水準で、ActivityおよびIdentity分類タスクにおいて、他のすべての手法を上回った。
• ρp = 1000の場合、Identity分類で59.03%の正確度、Activity分類で69.81%の正確度を達成し、MDR（52.57%および73.46%）およびランダム射影（38.47%および81.72%）を顕著に上回った。
• K=1の場合、RUCAは性別の分類正確度をほぼランダムレベル（50%）にまで低下させたが、有用性分類の正確度は1%未満の損失に抑え、強力なプライバシー保護と最小限の有用性損失を実現した。
• Identity分類を有用性タスクとし、ρp = 1の場合、RUCAはActivity分類（プライバシータスク）で58.91%の正確度を達成し、DCA（58.52%）およびすべての他の手法を、すべてのプライバシー価格水準で上回った。
• 結果から、特にPCAやランダム射影と比較して、高プライバシー制約下でもRUCAは高い有用性性能を維持していることが示された。