[논문 리뷰] Graph-based Clustering under Differential Privacy

Rafaël Pinot, Anne Morvan외 3명|arXiv (Cornell University)|2018. 03. 10.

Privacy-Preserving Technologies in Data참고 문헌 17인용 수 13

한 줄 요약

이 논문은 약간의 변형된 최소 스패닝 트리(MST)를 비밀리에 공개함으로써 임의의 모양을 가진 클러스터를 탐지할 수 있는, 최초의 차별적 비밀 보장 그래프 클러스터링 알고리즘인 PTClust를 소개한다. 이 알고리즘은 비밀리에 공개된 근사 최소 스패닝 트리에 최적의 컷을 적용하여 비볼록 클러스터를 복원하며, 가중치 기반 차별적 비밀 보장 하에서 이론적으로 타당한 비밀-유용성 트레이드오프를 달성한다.

ABSTRACT

In this paper, we present the first differentially private clustering method for arbitrary-shaped node clusters in a graph. This algorithm takes as input only an approximate Minimum Spanning Tree (MST) $\mathcal{T}$ released under weight differential privacy constraints from the graph. Then, the underlying nonconvex clustering partition is successfully recovered from cutting optimal cuts on $\mathcal{T}$. As opposed to existing methods, our algorithm is theoretically well-motivated. Experiments support our theoretical findings.

연구 동기 및 목표

• 가중치 기반 차별적 비밀 보장을 갖는 가중치 그래프를 위한 비밀 보장 클러스터링 방법을 개발하여 비볼록이고 임의의 모양을 가진 클러스터를 탐지하는 것.
• 이전에는 히우리스틱이었던 MST 기반 클러스터링 알고리즘에 대해 이론적 근거를 제공하는 것.
• DBMSTClu 알고리즘에 가중치 기반 차별적 비밀 보장 하에서 공식적인 비밀 보장과 유용성 보장을 부여하는 것.
• 특히 비볼록 구조에 대해, 차별적 비밀 보장 하에서 그래프 클러스터링의 비밀-유용성 트레이드오프를 설정하는 것.

제안 방법

• 이 방법은 Exponential 기법(PAMST) 또는 Laplace 기법을 통해 비밀리에 공개된 가중치 기반 차별적 비밀 보장 근사 MST를 입력으로 받는다.
• 비밀리에 공개된 MST에 최적의 컷을 적용하여 원래의 비볼록 클러스터링 분할을 복원한다.
• 알고리즘은 그래프의 무게를 기반으로 한 유용성 함수를 사용하여 클러스터링 품질을 평가한다.
• 비밀 보장은 MST의 가중치 변화에 대한 안정성에 기반한 비밀리에 공개된 MST의 후처리를 통해 확보된다.
• 이론적 분석을 바탕으로 비밀-유용성 트레이드오프를 다루며, 근사 오차에 대한 명시적 상한을 제공한다.
• DBMSTClu에서 진짜 MST를 비밀리에 변형된 MST로 대체하여 차별적 비밀 보장을 유지한다.

실험 결과

연구 질문

• RQ1 비볼록 클러스터에 대해 차별적 비밀 보장 하에서 MST 기반 클러스터링을 이론적으로 정당화할 수 있는가?
• RQ2 차별적 비밀 보장 MST는 정확한 비볼록 클러스터 구조를 복원하는 데 어떻게 활용될 수 있는가?
• RQ3 가중치 기반 차별적 비밀 보장 하에서 그래프 클러스터링에서 비밀 보장(ε)과 클러스터링 정확도 사이의 트레이드오프는 무엇인가?
• RQ4 비밀리에 공개된 MST는 임의의 모양의 클러스터링을 위한 충분한 구조적 정보를 유지할 수 있는가?

주요 결과

• PTClust는 ε=1.0, 0.7과 같은 중간 수준의 비밀 보장 예산에서도 비볼록 클러스터(예: 동심원, 반달 모양)를 성공적으로 복원하며, 고립된 단일 노드와 같은 경미한 변형 외에는 거의 영향을 받지 않는다.
• ε=0.5일 경우 클러스터링 정확도가 크게 떨어지며, 잘못 분류된 노드와 분할된 클러스터가 발생하여 이론적 비밀-유용성 트레이드오프를 확인한다.
• PAMST를 통해 비밀리에 공개된 MST는 O(|V|²/|E| log|V|)의 무게 근사 오차를 기록하며, 일부 그래프 환경에서는 Laplace 기반 방법보다 뛰어난 성능을 보였다.
• 비밀리에 공개된 MST가 진짜 MST에 가까울 경우 알고리즘이 강건하게 높은 클러스터링 정확도를 유지함을 확인하였다.
• 실험 결과, DBMSTClu는 진짜 MST에서 정확한 분할을 복원하는 반면, PTClust는 비밀 보장 제약 조건 하에서도 이를 근사함을 확인하였다.