[논문 리뷰] Optimizing Histogram Queries under Differential Privacy

Chao Li, Michael Hay외 3명|arXiv (Cornell University)|2009. 12. 23.

Privacy-Preserving Technologies in Data참고 문헌 17인용 수 13

한 줄 요약

이 논문은 선형 카운팅 쿼리 워크로드에 대해 비차별적 개인정보 보호를 만족시키는 새로운 방법인 행렬 기반 기법을 제안한다. 이 기법은 쿼리를 보조 쿼리 전략으로 변환함으로써, 관련된 노이즈를 통해 오차를 감소시켜 기존의 라플라스 기반 기법보다 정확도를 크게 향상시킨다. 특히 상관관계가 있는 쿼리에 대해 뛰어난 성능을 보이며, 비차별적 개인정보 보호를 유지한다.

ABSTRACT

Differential privacy is a robust privacy standard that has been successfully applied to a range of data analysis tasks. Despite much recent work, optimal strategies for answering a collection of correlated queries are not known. We study the problem of devising a set of strategy queries, to be submitted and answered privately, that will support the answers to a given workload of queries. We propose a general framework in which query strategies are formed from linear combinations of counting queries, and we describe an optimal method for deriving new query answers from the answers to the strategy queries. Using this framework we characterize the error of strategies geometrically, and we propose solutions to the problem of finding optimal strategies.

연구 동기 및 목표

• 비차별적 개인정보 보호 하에서 상관관계가 있는 선형 카운팅 쿼리 워크로드에 대해 라플라스 기반 기법의 정확도가 열등한 문제를 해결하기 위해.
• 보조 쿼리 전략으로 변환함으로써, 워크로드의 쿼리에 대해 더 정확한 답변을 도출하는 일반적인 프레임워크를 개발하기 위해.
• 총 오차를 최소화하기 위해 순위 제약이 있는 준선형계획법 문제로 최적의 전략을 수식화하기 위해.
• 웨이블릿 및 계층적 기법과 같은 기존 기법들이 행렬 기반 기법의 특정 사례로 통합되고 설명될 수 있도록 하기 위해.
• 안정적 또는 반복되는 워크로드에 대해 한 번의 최적화로 효율적인 구현을 가능하게 하여, 개인정보 보호를 희생시키지 않은 채 실용적 유용성을 향상시키기 위해.

제안 방법

• 행렬 기반 기법은 보조 쿼리 전략을 사용하며, 이 전략의 노이즈가 포함된 답변은 라플라스 기반 기법을 통해 도출되고, 이후 워크로드 쿼리의 추정치를 위해 조합된다.
• 오차 분포를 오차 프로파일 행렬과 민감도 스케일링을 사용하여 모델링함으로써, 워크로드 답변의 분산 최소화 추정이 가능해진다.
• 최적의 전략은 비차별적 개인정보 보호를 유지하면서 총 오차를 최소화하는 순위 제약이 있는 준선형계획법을 풀어 계산된다.
• 이 방법은 $(\epsilon, \delta)$-비차별적 개인정보 보호를 지원하며, 이 설정에 대해 향상된 오차 한계를 포함한다. 이는 정리 5.22에 의해 공식화되어 있다.
• 정수 일致성 확보를 위해 푸리에 변환과 선형계획법을 활용할 수 있다. 이로 인해 정확도 손실가 최소화된다.
• 프레임워크는 한 번의 최적화 단계 이후에 효율적인 구현이 가능하게 하여, 반복되는 워크로드에 적합하다.

실험 결과

연구 질문

• RQ1 비차별적 개인정보 보호 하에서 상관관계가 있는 다수의 카운팅 쿼리를 정확하게 답변하기 위해 어떻게 개선할 수 있는가?
• RQ2 쿼리 간 상관관계를 활용하여 독립적으로 다루는 대신 오차를 줄일 수 있는 쿼리 전략을 설계할 수 있는가?
• RQ3 주어진 선형 쿼리 워크로드에 대해 최적의 전략을 계산할 수 있는 최적화 프레임워크는 무엇인가?
• RQ4 웨이블릿 및 계층적 기법과 같은 기존 기법들은 제안된 행렬 기반 기법과 어떤 관계가 있는가?
• RQ5 행렬 기반 기법은 비차별적 개인정보 보호의 알려진 이론적 하한선에 도달하는 오차 한계를 달성할 수 있는가?

주요 결과

• 최적화된 전략 쿼리를 통해 관련된 노이즈를 도입함으로써, 표준 라플라스 기반 기법보다 훨씬 낮은 오차를 달성한다.
• 주어진 워크로드에 대한 최적의 전략은 순위 제약이 있는 준선형계획법을 풀어 계산할 수 있으며, 이는 최적화 문제를 수식화한 것이다.
• 이 프레임워크는 웨이블릿 및 계층적 기법이라는 두 가지 기존 기법을 행렬 기반 기법의 특정 사례로 설명하고 통합한다.
• $(\epsilon, \delta)$-비차별적 개인정보 보호 하에서 오차 한계를 향상시켰으며, 정리 5.22에 의해 수정되고 더 견고한 한계가 제시되었다.
• 안정적 또는 반복되는 워크로드의 경우, 전략 최적화의 계산 비용은 한 번만 발생하므로 효율적인 구현이 가능하다.
• 최적의 전략 설계를 통해 저차원 마진 및 구조화된 쿼리 워크로드에 대해 정확한 추정이 가능해진다.