[논문 리뷰] Local Differential Privacy and Its Applications: A Comprehensive Survey

Mengmeng Yang, Lingjuan Lyu외 3명|arXiv (Cornell University)|2020. 08. 09.

Privacy-Preserving Technologies in Data참고 문헌 138인용 수 65

한 줄 요약

이 논문은 Local Differential Privacy (LDP) 기법과 응용을 조사하며, 주파수 추정, 헤비 히터 식별, 세트-값 데이터와 주요 교란 메커니즘 비교 및 설계 트레이드오프를 다룬다.

ABSTRACT

With the fast development of Information Technology, a tremendous amount of data have been generated and collected for research and analysis purposes. As an increasing number of users are growing concerned about their personal information, privacy preservation has become an urgent problem to be solved and has attracted significant attention. Local differential privacy (LDP), as a strong privacy tool, has been widely deployed in the real world in recent years. It breaks the shackles of the trusted third party, and allows users to perturb their data locally, thus providing much stronger privacy protection. This survey provides a comprehensive and structured overview of the local differential privacy technology. We summarise and analyze state-of-the-art research in LDP and compare a range of methods in the context of answering a variety of queries and training different machine learning models. We discuss the practical deployment of local differential privacy and explore its application in various domains. Furthermore, we point out several research gaps, and discuss promising future research directions.

연구 동기 및 목표

• 로컬 차등 프라이버시(LDP) 기술의 현황과 실제 데이터 수집에의 적용 가능성에 대한 조사.
• LDP 하에서 주파수 추정에 대한 교란 메커니즘(GRR, OUE, RAPPOR, OLH, JLRR, HRR 등)의 분석 및 비교.
• LDP 하에서 헤비 히터 식별 방법을 검토하고 효율성, 통신, 정확도 간의 트레이드오프를 논의.
• LDP 하에서 세트-값 데이터 수집과 이질적인 세트 크기의 문제점을 논의.
• 다양한 프라이버시 예산 체제에서 LDP 기법을 선택하기 위한 실용적 지침과 남은 과제를 요약.

제안 방법

• 프라이버시를 유지하면서 통신을 줄이기 위해 사용자의 데이터를 컴팩트한 표현으로 변환하는 변환 기반 방법을 설명한다.
• LDP 하에서 헤비 히터를 효율적으로 식별하기 위한 부분집합 선택 및 파티션/트리 기반 접근법을 제시한다.
• 트리밍/패딩 및 도메인 크기 처리 등을 포함한 세트-값 데이터 수집의 프로토콜 변형을 요약한다.
• 변동성, 통신 및 도메인 크기 측면에서 일반적인 헤비 히터 및 주파수 추정 프로토콜(GRR, OUE, RAPPOR, OLH, JLRR, HRR)의 비교를 제공한다.
• 바이어스, 분산 및 통계적 정확도에 대한 프라이버시 예산 ε의 영향 등 알고리즘적 고려사항을 논의한다.

실험 결과

연구 질문

• RQ1 주파수 추정에 대한 주요 LDP 메커니즘은 무엇이며 분산 및 통신 비용 측면에서 어떻게 비교되는가?
• RQ2 LDP 하에서 헤비 히터를 어떻게 효율적으로 식별할 수 있으며 파티션 기반, 트리 기반 및 순진한 접근 방식의 트레이드오프는 무엇인가?
• RQ3 LDP 하에서 세트-값 데이터 수집은 어떻게 작동하며 이질적인 세트 크기의 문제점은 무엇인가?
• RQ4 낮은, 중간, 높은 프라이버시 예산에 걸쳐 LDP 기법을 선택하기 위한 실용적 고려사항과 지침은 무엇인가?
• RQ5 LDP 응용에서 프라이버시, 정확도 및 효율성의 균형을 맞추는 데 남은 과제는 무엇인가?

주요 결과

• LDP 하의 주파수 추정은 여러 핵심 교란 방법(GRR, OUE, RAPPOR, OLH, JLRR, HRR)에 의존하며 각기 다른 분산 및 통신 특성을 갖는다.
• LDP 하의 헤비 히터 식별은 순진한 방법, 파티션 기반 및 트리 기반 방법으로 접근할 수 있으며 각각 특정한 효율성, 정확도 및 통신 트레이드오프가 있다.
• 파티션 기반 및 트리 기반 방법은 고차원 데이터의 효율성을 높이지만 도메인 크기가 커지거나 프라이버시 예산이 작아질수록 정확도와 통신의 문제를 야기한다.
• LDP 하의 세트-값 데이터 수집은 세트 크기의 이질성에 직면하며, 방법은 트림/패딩 및 패딩 사용으로 주파수 추정 및 아이템셋 마이닝을 가능하게 한다.
• 변환 및 부분집합 선택은 통신 비용을 줄일 수 있지만 통계적 분산을 증가시키거나 더 복잡한 협력이 필요할 수 있다.
• 전반적으로 주파수 추정은 LDP 하에서 가장 성숙한 영역이며 고차원 데이터 및 프라이버시 및 정확도 및 통신 제약의 균형에 지속적인 과제가 있다.