[논문 리뷰] Improved Differentially Private Decentralized Source Separation for fMRI Data

Hafiz Imtiaz, Jafar Mohammadi외 5명|arXiv (Cornell University)|2019. 10. 28.

Indoor and Outdoor Localization Technologies참고 문헌 77인용 수 5

한 줄 요약

이 논문은 fMRI 데이터 분석에서 독립성 성분 분석(ICA)을 위한 새로운 비밀 보장 분산 알고리즘인 capeDJICA를 제안한다. 서로 다른 사이트 간에 상관된 노이즈를 사용하여 총 노이즈 투입량을 줄임으로써, 개인정보 보호-유용성 균형을 크게 향상시킨다. 이로 인해 강력한 개인정보 보호 보장을 갖는 경우(ε < 1)에도 비공개 ICA 성능과 유사한 결과를 얻을 수 있으며, 이는 합성 및 실제 fMRI 데이터셋 모두에서 입증되었다.

ABSTRACT

Blind source separation algorithms such as independent component analysis (ICA) are widely used in the analysis of neuroimaging data. In order to leverage larger sample sizes, different data holders/sites may wish to collaboratively learn feature representations. However, such datasets are often privacy-sensitive, precluding centralized analyses that pool the data at a single site. In this work, we propose a differentially private algorithm for performing ICA in a decentralized data setting. Conventional approaches to decentralized differentially private algorithms may introduce too much noise due to the typically small sample sizes at each site. We propose a novel protocol that uses correlated noise to remedy this problem. We show that our algorithm outperforms existing approaches on synthetic and real neuroimaging datasets and demonstrate that it can sometimes reach the same level of utility as the corresponding non-private algorithm. This indicates that it is possible to have meaningful utility while preserving privacy.

연구 동기 및 목표

• 분산 환경에서 개인의 개인정보를 보호하면서도 협업형 fMRI 소스 분리 작업을 수행하는 데 도전하는 것.
• 특히 작은 국소 샘플 크기를 가진 경우에 전통적인 분산 비밀 보장 알고리즘에서 높은 노이즈 부담을 해결하는 것.
• 중앙 집중식 데이터 융합 없이도 뇌영상 분석 응용 분야에서 높은 유용성을 유지하는 개인정보 보존 프레임워크를 개발하는 것.
• 민감한 건강 데이터를 위한 분산 기계 학습에서 의미 있는 개인정보-유용성 균형을 가능하게 하는 것.

제안 방법

• 서로 다른 사이트 간에 상관된 노이즈를 투입하여 총 노이즈 분산을 줄이는, CAPE(Correlated Additive Privacy for Estimation)라는 새로운 분산 비밀 보장 프레임워크를 제안한다.
• CAPE 프레임워크를 분산 공동 ICA(djICA)에 적용하여 fMRI 데이터를 위한 제안된 capeDJICA 알고리즘을 도출한다.
• 반복 계산 과정에서의 개인정보 손실을 정밀하게 제한하기 위해 레니 지수 비밀 보장과 모멘트 회계 방법을 사용한다.
• 사이트 간에 상관된 노이즈 항목을 공유할 수 있도록 하는 노이즈 상관 전략을 도입하여, 독립적인 노이즈 추가에 비해 총 필요 노이즈를 감소시킨다.
• 개별 신호의 무결성을 유지하기 위해 상관된 구조를 가진 개인정보 보존 노이즈를 포함한 수정된 ICA 목적 함수를 사용한다.
• 반복 계산 환경에서 종단 간 개인정보 보장을 확보하기 위해, 레니 지수 비밀 보장 기반의 개인정보 조합 분석을 수행한다.

실험 결과

연구 질문

• RQ1 강력한 개인정보 보장 조건(ε < 1) 하에서, 분산 비밀 보장 알고리즘이 비공개 ICA 성능에 가까운 유용성을 달성할 수 있는가?
• RQ2 서로 다른 사이트 간에 상관된 노이즈를 사용하면, 개인정보를 훼손하지 않으면서도 분산 DP 알고리즘의 총 노이즈 투입량을 어떻게 줄일 수 있는가?
• RQ3 국소 샘플 크기와 개인정보 예산(ε)이 fMRI 데이터에서 비밀 보장 분산 ICA의 성능에 어떤 영향을 미치는가?
• RQ4 제안된 프레임워크는 기존의 로컬 및 전통적 DP 접근 방식에 비해 개인정보 보호 및 유용성 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ5 구조화된 노이즈를 사용함으로써, 뇌영상 분석을 위한 분산 기계 학습에서 개인정보-유용성 균형을 얼마나 향상시킬 수 있는가?

주요 결과

• 제안된 capeDJICA 알고리즘은 엄격한 개인정보 보호 예산(ε < 1) 조건 하에서도 비공개 djICA와 거의 구분되지 않는 공간 지도 재구성을 달성한다.
• capeDJICA는 로컬 DP-ICA 및 기존의 DP-djICA보다 공간 지도 복원 성능에서 뛰어나며, 후자는 과도한 노이즈로 인해 수렴하지 못하는 문제를 보였다.
• 중간 크기의 샘플 크기(M ≥ 50) 조건에서, ε가 1 이하로 설정된 경우 capeDJICA는 비공개 djICA와 유사한 수준의 유용성을 확보한다.
• 낮은 총 개인정보 손실(ε)을 유지하면서도 높은 유용성을 달성하여, 강력한 개인정보-유용성 균형을 보여준다.
• sufficient한 수의 피실험자가 존재하거나 ε를 약간 완화할 경우, capeDJICA에서 재구성된 공간 지도는 시각적으로나 정량적으로 참값에 매우 가까운 편이다.
• 모멘트 회계 방법을 통해 더 정밀한 개인정보 회계가 가능해져, 유용성을 희생시키지 않고도 더 높은 개인정보 예산을 사용할 수 있었다.