[論文レビュー] Towards Differentially Private Truth Discovery for Crowd Sensing Systems

Yaliang Li, Houping Xiao+6 more|arXiv (Cornell University)|Oct 10, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 23被引用数 10

ひとこと要約

この論文は、局所的データ摺りつぶしを用いてユーザーのプライバシーを保護しながらも高い集約精度を維持する、クラウドセンシングシステム向けのプライバシー保護型真実発見メカニズムを提案する。各ユーザーは、指数分布から抽出された分散をスケーリング要因として用いたゼロ平均のガウスノイズを個別に追加する。サーバーは、データの一貫性から推定されたユーザーの重みを用いて重み付き集約処理を実行し、局所的微分プライバシーによって強くプライバシーを保証するとともに、高いノイズレベル下でも頑健な有用性を達成する。

ABSTRACT

Nowadays, crowd sensing becomes increasingly more popular due to the ubiquitous usage of mobile devices. However, the quality of such human-generated sensory data varies significantly among different users. To better utilize sensory data, the problem of truth discovery, whose goal is to estimate user quality and infer reliable aggregated results through quality-aware data aggregation, has emerged as a hot topic. Although the existing truth discovery approaches can provide reliable aggregated results, they fail to protect the private information of individual users. Moreover, crowd sensing systems typically involve a large number of participants, making encryption or secure multi-party computation based solutions difficult to deploy. To address these challenges, in this paper, we propose an efficient privacy-preserving truth discovery mechanism with theoretical guarantees of both utility and privacy. The key idea of the proposed mechanism is to perturb data from each user independently and then conduct weighted aggregation among users' perturbed data. The proposed approach is able to assign user weights based on information quality, and thus the aggregated results will not deviate much from the true results even when large noise is added. We adapt local differential privacy definition to this privacy-preserving task and demonstrate the proposed mechanism can satisfy local differential privacy while preserving high aggregation accuracy. We formally quantify utility and privacy trade-off and further verify the claim by experiments on both synthetic data and a real-world crowd sensing system.

研究の動機と目的

• 既存のクラウドセンシング用真実発見システムにおけるユーザーのプライバシー保護の欠如に取り組む。
• ユーザー間の調整や暗号化を必要としない、効率的でスケーラブルな解決策を開発する。
• 局所的微分プライバシーを用いた理論的プライバシー保証を確保するとともに、集約結果の高い有用性を維持する。
• ユーザーのデータに機微な情報が含まれる大規模システムにおいても、正確な真実発見を可能にする。

提案手法

• 各ユーザーは、指数分布からノイズ分散パラメータ δ² をサンプリングし、その分散を用いたゼロ平均ガウスノイズをセンシングデータに追加する。
• 摺りつぶされたデータは中央サーバーに送信され、データの一貫性から推定されたユーザーの重みを用いて重み付き集約処理が行われる。
• ユーザーの重みは、その摺りつぶされたデータが集約結果とどれほど一致するかに基づき反復的に導出され、情報の質を反映する。
• 精度とプライバシーのトレードオフを定量化するために、(α,β)-有用性と(ε,δ)-プライバシーの定義を用いた形式的分析が行われる。
• 理論的分析により、ノイズの増加はプライバシーを強化するが有用性を低下させることを示し、大規模な標本サイズ下で収束保証が得られる。
• 本手法は局所的微分プライバシーを活用しており、ユーザーが調整なしに個別にデータを摺りつぶせる。

実験結果

リサーチクエスチョン

• RQ1 安全なマルチパーティ計算や暗号化を必要とせず、クラウドセンシングシステムにおけるユーザーのプライバシー保護を実現できる真実発見メカニズムは存在するか？
• RQ2 プライバシーのためのノイズを加えた状態で、ユーザーの重みを効果的に推定する方法は何か？
• RQ3 摺りつぶされた真実発見における、有用性（精度）とプライバシー（微分プライバシーのパrameter）の理論的トレードオフは何か？
• RQ4 個々のユーザーのデータに顕著なノイズが加えられた場合でも、高い集約精度を維持できるか？

主な発見

• 提案手法は理論的保証のもとで局所的微分プライバシーを満たし、強力なユーザーのプライバシー保護を実現する。
• 大きなノイズレベル下でも、集約精度の低下はわずかに抑えられ、プライバシー制約下でも高い有用性を示す。
• c=1 の場合、特定の α と λ₁ に関する条件下で、サンプル数 S が無限大に近づくにつれて、集約結果の期待誤差はゼロに収束する。
• 理論的分析により、ノイズの増加はより強いプライバシーをもたらすが有用性を低下させることを確認し、(α,β)-有用性と(ε,δ)-プライバシー指標による定量的トレードオフが示された。
• 合成データおよび実世界の屋内フロアプラン構築システムにおける実験結果から、高ノイズ下でも頑健な性能が確認された。