[논문 리뷰] Privacy preserving clustering with constraints

Clemens Rösner, Melanie Schmidt|arXiv (Cornell University)|2018. 02. 07.

Data Management and Algorithms인용 수 27

한 줄 요약

이 논문은 기존의 약한 k-센터 문제에 대한 근사 알고리즘에 개인정보 보호 제약 조건(각 클러스터에 최소 ℓ개의 점이 포함되어야 함)을 통합하는 일반적인 방법을 제시한다. 임계값 설정과 최대 유량 네트워크 구조를 사용하여 반복적으로 점을 재할당하면서 근사 보장을 유지함으로써, 저자들은 개인 정보 보호 k-센터 문제에 대해 4-근사, k-공급자 문제에 대해 5-근사의 성과를 달성하였으며, 이는 외곽점, 공정성, 용량 제약 조건과의 조합으로도 확장 가능하다.

ABSTRACT

The $k$-center problem is a classical combinatorial optimization problem which asks to find $k$ centers such that the maximum distance of any input point in a set $P$ to its assigned center is minimized. The problem allows for elegant $2$-approximations. However, the situation becomes significantly more difficult when constraints are added to the problem. We raise the question whether general methods can be derived to turn an approximation algorithm for a clustering problem with some constraints into an approximation algorithm that respects one constraint more. Our constraint of choice is privacy: Here, we are asked to only open a center when at least $\ell$ clients will be assigned to it. We show how to combine privacy with several other constraints.

연구 동기 및 목표

• . 이 논문은 기존의 약한 k-센터 문제에 대한 근사 알고리즘에 개인정보 보호 제약 조건(각 클러스터에 최소 ℓ개의 점이 포함되어야 함)을 통합할 수 있는 일반적이고 블랙박스 기반의 방법을 개발하는 것을 목표로 한다.
• . 이는 클러스터의 최소 점 수 보장(하한 개인정보 보호)을 외곽점, 공정성, 용량 제한 등의 다른 제약 조건과 통합하는 문제에 도전한다.
• . 목표는 기반 알고리즘의 근사 비율을 유지하면서도 모든 클러스터가 개인정보 보호 기준을 충족하도록 보장하는 것이다.
• . 이 방법은 기본 근사 알고리즘의 내부 동작 방식에 영향을 주지 않도록 설계되어 있어, 다양한 클러스터링 변형에 모듈러하게 확장 가능하다.
• . 저자들은 또한 개인정보 보호 제약 조건을 시설 위치 문제와 k-중심 문제로 확장하는 것에 대해 탐구하며, 보다 광범위한 적용 가능성에서 발생하는 열린 과제를 규명한다.

제안 방법

• . 이 방법은 임계값 프레임워크를 사용하여, 점차 증가하는 τ(후보 반경) 값을 테스트하여 가장 작은 타당한 해를 찾는다.
• . 각 임계값 τ에 대해, 먼저 기본 문제(예: 외곽점이 있는 k-센터 또는 공정성 조건이 있는 k-센터 등)에 대해 α-근사 알고리즘을 실행하여 초도 클러스터링을 생성한다.
• . 각 보호된 특성(색상) i에 대해 색상별 임계값 그래프 Gτ,i를 구축하여, ℓi 하한을 충족하기 위해 가능한 점 재할당을 모델링한다.
• . 각 Gτ,i에 대해 정수 최대 s-t 유량을 계산하여 개인정보 보호 제약 조건을 만족하는 점 재할당을 식별한다.
• . 만약 모든 (vj, t) 간선이 포화되지 않은 경우(특정 클러스터에서 색상 i의 점이 부족한 경우), 잔여 네트워크는 현재 클러스터 수로는 커버할 수 없는 점의 부분집합을 식별한다.
• . 이 부분집합에 대해 기반 알고리즘을 재귀적으로 다시 실행하여 클러스터 수를 줄이고, 타당한 개인정보 보장 해가 나올 때까지 반복한다. 또는 τ < opt임이 확인되면 종료한다.
• . 이 과정은 최대 k회 반복되며, 다항식 시간 복잡도를 보장한다.

실험 결과

연구 질문

• RQ1 . 약한 k-센터 문제에 대한 기존 근사 알고리즘에 개인정보 보호 제약 조건(각 클러스터에 최소 ℓ개의 점이 포함되어야 함)을 통합할 수 있는 일반적이고 블랙박스 기반의 방법을 설계할 수 있는가?
• RQ2 . k-센터 문제에서 외곽점, 공정성, 용량 제한 등의 다른 제약 조건과 개인정보 보호 조건을 통합할 경우, 달성 가능한 근사 비율은 무엇인가?
• RQ3 . 다수의 보호된 특성(강력한 개인 정보 보호 k-센터)을 가진 k-센터 문제로 이 방법을 확장할 수 있는가? 여기서 각 클러스터는 각 색상 i에 대해 최소 ℓi개의 점을 포함해야 한다.
• RQ4 . 동일한 프레임워크를 시설 위치 문제와 k-중심 문제에 적용할 수 있는가? 이러한 확장 과정에서 발생하는 제약 조건은 무엇인가?
• RQ5 . 용량 제한이 있는 시설 위치 문제에 개인정보 보호 제약 조건을 추가할 수 있는가? 이 경우, 모든 중심 c에 대해 ℓ ≤ u(c)/2 라는 제약 조건이 없이도 가능한가?

주요 결과

• . 이 방법은 개인 정보 보호 k-센터 문제에 대해 4-근사, k-공급자 변형에 대해 5-근사를 달성한다.
• . 외곽점이 있는 개인 정보 보호 k-센터의 경우 5-근사(기존 k-센터 문제에 대해선 4-근사)를 달성하며, 이는 제약 조건이 없는 문제의 최고 성능 기준과 일치한다.
• . 이 접근법은 공정한 k-센터 및 공정한 용량 제한 k-센터 문제로도 확장 가능하며, 모든 경우에서 4-근사를 달성한다.
• . 강력한 개인 정보 보호 k-센터 문제(각 클러스터에 각 색상 i에 대해 최소 ℓi개의 점이 포함되어야 함)로도 적용 가능하며, k-센터 문제에선 4-근사, k-공급자 문제에선 5-근사를 달성한다.
• . 알고리즘은 O(k)회의 반복 내에 보장적으로 종료되며, 다항식 시간 복잡도를 보장한다.
• . 이 프레임워크는 일반적이며, 기반 문제에 대한 α-근사 알고리즘에 대해 어떤 경우에도 적용 가능하며, 근사 비율을 최대 α + 2의 요소로 유지한다.