[논문 리뷰] Leveraging Public Data for Practical Private Query Release

Terrance Liu, Giuseppe Vietri외 3명|arXiv (Cornell University)|2021. 02. 17.

Privacy-Preserving Technologies in Data참고 문헌 26인용 수 13

한 줄 요약

이 논문은 관련 분포에서 유래한 공공 데이터셋을 사전 지식으로 활용하여 정확도와 확장성을 향상시키는 새로운 비밀 보장 쿼리 배포 방법인 PMW Pub를 제안한다. 공공 데이터를 비밀 보장 메커니즘에 통합함으로써 PMW Pub는 ACS 및 ADULT와 같은 고차원 데이터셋에서 최신 기술을 초월한 성능을 달성하며, 대규모 환경에서도 계산적으로 실현 가능하다.

ABSTRACT

In many statistical problems, incorporating priors can significantly improve performance. However, the use of prior knowledge in differentially private query release has remained underexplored, despite such priors commonly being available in the form of public datasets, such as previous US Census releases. With the goal of releasing statistics about a private dataset, we present PMW^Pub, which -- unlike existing baselines -- leverages public data drawn from a related distribution as prior information. We provide a theoretical analysis and an empirical evaluation on the American Community Survey (ACS) and ADULT datasets, which shows that our method outperforms state-of-the-art methods. Furthermore, PMW^Pub scales well to high-dimensional data domains, where running many existing methods would be computationally infeasible.

연구 동기 및 목표

• 비밀 보장 쿼리 배포에서 사전 지식, 특히 공공 데이터셋의 활용이 아직 충분히 탐색되지 않은 문제를 해결하기 위해.
• 유사한 분포에서 유래한 공공 데이터를 통합하여 비밀 보장 쿼리 배포의 정확도를 향상시키기 위해.
• 기존 방법이 계산적으로 비현실적이게 되는 고차원 데이터 영역에서도 실용적이면서 확장 가능한 방법을 개발하기 위해.
• 공공 데이터를 비밀 보장 통계 분석에 활용하는 데 대한 이론적 기반과 실증적 검증을 제공하기 위해.

제안 방법

• PMW Pub는 관련 분포에서 온 공공 데이터를 비밀 보장 쿼리 배포 파이프라인 내 사전 정보로 통합한다.
• 이 방법은 비밀 보장 메커니즘을 수정하여 공공 데이터를 조건으로 삼아, 비밀 데이터 통계 추정의 불확실성을 줄인다.
• 공공 데이터와 비밀 데이터를 결합하여 정확한 쿼리 답변을 생성하는 비밀 보장 메커니즘을 적용한다.
• 공공 데이터에 기반한 보정된 노이즈 추가 전략을 사용하여, 비밀 보장은 유지하면서 유용성을 향상시킨다.
• 쿼리 공간의 효과적 차원을 줄여 고차원 데이터 영역으로의 효율적 확장성을 설계한다.
• 이론적 분석은 비밀 보장 보장을 지지하며, 실증적 평가는 성능 향상을 검증한다.

실험 결과

연구 질문

• RQ1 유사한 분포에서 유래한 공공 데이터셋은 비밀 보장 쿼리 배포의 정확도를 향상시키는 데 효과적으로 활용될 수 있는가?
• RQ2 사전 지식으로서의 공공 데이터 통합이 비밀 보장 쿼리 배포의 유용성과 비밀 보장 보장에 어떤 영향을 미치는가?
• RQ3 기존 방법이 계산 제약으로 인해 실패하는 고차원 데이터 영역으로도 제안된 방법이 확장 가능한가?
• RQ4 실제 세계 데이터셋에서 PMW Pub는 최신 기술의 비밀 보장 쿼리 배포 방법과 비교해 상대적으로 어떤 성능을 보이는가?

주요 결과

• PMW Pub는 미국 인구 조사(ACS) 및 ADULT 데이터셋에서 최신 기술 대비 쿼리 정확도에서 뛰어난 성능을 보였다.
• 효과적인 공공 데이터 사전 정보 활용으로 인해 유용성 향상이 뚜렷하게 이루어졌다.
• PMW Pub는 고차원 데이터 영역으로의 확장이 잘 이루어져, 다른 방법이 비현실적이게 되는 환경에서도 계산적으로 실현 가능했다.
• 이론적 분석을 통해 메커니즘이 강력한 비밀 보장 보장을 만족함을 확인했다.
• 실증 결과는 관련 분포에서 온 공공 데이터가 비밀 보장 쿼리 배포에서 추정 오차를 상당히 감소시킴을 보여주었다.