[논문 리뷰] A Design Framework for Epsilon-Private Data Disclosure.

Amirreza Zamani, Tobias J. Oechtering외 1명|arXiv (Cornell University)|2020. 09. 03.

Privacy-Preserving Technologies in Data참고 문헌 17인용 수 6

한 줄 요약

이 논문은 유클리드 정보기하학을 사용하여 $χ^2$-개인정보 기준을 만족하는 $\varepsilon$-개인정보 보장 메커니즘을 설계하기 위한 기하 최적화 프레임워크를 제안한다. 국소적으로 상호정보량을 근사하고 문제를 행렬의 주우측 특이벡터를 계산하는 것으로 환원함으로써, 강력한 $χ^2$-개인정보 기준 하에서 최적의 개인정보-유용성 트레이드오프를 달성하며, 노이즈 있는 채널과 마르코프 연쇄 의존성에 대한 확장도 가능하다.

ABSTRACT

In this paper, we study a stochastic disclosure control problem using information-theoretic methods. The useful data to be disclosed depend on private data that should be protected. Thus, we design a privacy mechanism to produce new data which maximizes the disclosed information about the useful data under a strong $\chi^2$-privacy criterion. For sufficiently small leakage, the privacy mechanism design problem can be geometrically studied in the space of probability distributions by a local approximation of the mutual information. By using methods from Euclidean information geometry, the original highly challenging optimization problem can be reduced to a problem of finding the principal right-singular vector of a matrix, which characterizes the optimal privacy mechanism. In two extensions we first consider a noisy disclosure channel and then we look for a mechanism which finds $U$ based on observing $X$, maximizing the mutual information between $U$ and $Y$ while satisfying the privacy criterion on $U$ and $Z$ under the Markov chain $(Z,Y)-X-U$.

연구 동기 및 목표

• 강력한 $χ^2$-개인정보 기준 하에서 개인정보를 보호하면서도 유용한 데이터에 관한 정보를 최대화하는 개인정보 메커니즘을 설계하기 위해.
• 개인정보 제약 조건 하에서 상호정보량 최대화의 복잡한 최적화 문제를 확률 공간 내에서 다룰 수 있는 기하 문제로 환원하기 위해.
• 노이즈 있는 공개 채널과 관측된 데이터 및 유용한 데이터 간의 마르코프 연쇄 의존성을 고려한 시나리오로 프레임워크를 확장하기 위해.
• 데이터 분포에서 유도된 행렬의 주우측 특이벡터를 통해 최적의 개인정보 메커니즘을 특성화하기 위해.

제안 방법

• 기하학적 방법은 유클리드 정보기하학을 활용해 확률 분포 공간에서 상호정보량의 국소 근사를 수행한다.
• 개인정보 메커니즘 설계 문제를 $χ^2$-개인정보 기준에 의해 제약된 최적화 문제로 공식화한다.
• 원래의 비볼록 최적화 문제를 연관된 공동분포와 주변분포에서 유도된 행렬의 주우측 특이벡터를 계산하는 문제로 환원한다.
• 공개가 비조화된 관측값에 의존하는 노이즈 있는 채널 모델로 프레임워크를 확장한다.
• $(Z,Y)-X-U$ 형태의 마르코프 체인을 고려하여, $U$가 $X$로부터 유추되어 $Y$와의 상호정보량을 최대화하면서도 $U$와 $Z$의 개인정보를 유지하는 의존성을 모델링한다.
• 특이값 분해를 활용해 유용성과 개인정보의 균형을 이루는 최적의 데이터 변환을 식별한다.

실험 결과

연구 질문

• RQ1 강력한 $χ^2$-개인정보 제약 조건 하에서 유용한 데이터와 공개된 데이터 간의 상호정보량을 어떻게 최대화할 수 있는가?
• RQ2 확률 분포 공간 내에서 개인정보 메커니즘의 다루기 쉬운 최적화를 가능하게 하는 기하적 구조는 무엇인가?
• RQ3 노이즈 있는 채널의 도입이 최적의 공개 메커니즘과 개인정보-유용성 트레이드오프에 어떤 영향을 미치는가?
• RQ4 $(Z,Y)-X-U$ 형태의 마르코프 연쇄는 관측된 변수로부터 유용한 데이터를 개인정보를 보존하면서 어떻게 추론할 수 있도록 하는가?
• RQ5 데이터에서 유도된 행렬의 특이벡터 분해를 통해 최적의 개인정보 메커니즘을 특성화할 수 있는가?

주요 결과

• 최적의 개인정보 메커니즘은 데이터의 공동분포와 주변분포에서 유도된 행렬의 주우측 특이벡터로 특성화된다.
• 상호정보량의 국소 근사는 원래의 비볼록 최적화 문제를 선형대수 계산으로 기하학적으로 환원할 수 있게 한다.
• 이 프레임워크는 최적화 문제를 특이벡터 계산으로 변환함으로써 개인정보 메커니즘 설계 문제를 상당히 단순화시킨다.
• 노이즈 있는 채널로의 확장은 기하학적 구조를 유지하며 동일한 개인정보 기준 하에서 메커니즘의 최적성을 유지한다.
• 마르코프 확장은 $U$를 $X$로부터 최적으로 추론할 수 있도록 하며, $U$와 $Z$에 대한 개인정보 제약 조건을 충족시키며, 해는 여전히 특이벡터 분석을 통해 표현 가능하다.