[논문 리뷰] The application of differential privacy for rank aggregation: Privacy and accuracy

Shang Shang, Tiance Wang외 2명|arXiv (Cornell University)|2014. 07. 07.

Privacy-Preserving Technologies in Data인용 수 3

한 줄 요약

이 논문은 사용자 개인의 프로필을 보호하기 위해 순위 집계에 미분적 비밀보장 기법을 적용한다. 균일한 프로필 분포 하에서 위치 기반 순위 규칙의 오차율에 대한 상한을 도출하기 위해 보정된 노이즈를 추가함으로써, 시뮬레이션을 통해 이론적 오차 분석을 검증한다.

ABSTRACT

The potential risk of privacy leakage prevents users from sharing their honest opinions on social platforms. This paper addresses the problem of privacy preservation if the query returns the histogram of rankings. The framework of differential privacy is applied to rank aggregation. The error probability of the aggregated ranking is analyzed as a result of noise added in order to achieve differential privacy. Upper bounds on the error rates for any positional ranking rule are derived under the assumption that profiles are uniformly distributed. Simulation results are provided to validate the probabilistic analysis.

연구 동기 및 목표

• 사용자가 순위를 공유하는 소셜 플랫폼에서의 프라이버시 泄露 위험을 해결한다.
• 사용자 선호도의 집계 히스토그램을 공개할 때 개인의 순위를 보호한다.
• 적절한 정확성을 유지하면서 순위 집계 과정에서 미분적 비밀보장을 확보한다.
• 순위 집계에서 프라이버시와 정확성 간의 상호 상충 관계를 분석한다.
• 균일한 사용자 프로필 가정 하에서 어떤 위치 기반 순위 규칙에 대해서도 오차율의 이론적 상한을 유도한다.

제안 방법

• 개인 사용자 순위를 보호하기 위해 순위 집계 과정에 미분적 비밀보장 프레임워크를 적용한다.
• 미분적 비밀보장 보장을 충족시키기 위해 순위 히스토그램에 신중하게 보정된 노이즈를 도입한다.
• 노이즈 추가 후 위치 기반 순위 규칙(예: 보르다 수)을 집계 수단으로 사용한다.
• 균일한 사용자 프로필 분포를 가정할 때 어떤 위치 기반 순위 규칙에 대해서도 오차 확률의 상한을 유도한다.
• 합성 순위 데이터를 사용한 시뮬레이션 실험을 통해 이론적 오차 상한을 검증한다.
• 프라이버시 예산(ε)이 집계된 순위의 정확성에 미치는 영향을 분석한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 순위 집계에서 사용자 순위를 효과적으로 보호하기 위해 미분적 비밀보장을 적용할 수 있는가?
• RQ2 미분적 비밀보장 하에서 집계된 순위의 오차 확률에 대한 이론적 상한은 무엇인가?
• RQ3 사용자 프로필의 균일 분포 가정이 순위 집계에서 오차 상한에 어떤 영향을 미치는가?
• RQ4 추가된 노이즈가 최종 집계된 순위의 정확성에 얼마나 큰 영향을 미치는가?
• RQ5 이론적 오차 상한과 시뮬레이션에서의 실증 결과 사이에 얼마나 잘 일치하는가?

주요 결과

• 논문은 균일한 사용자 프로필 분포 하에서 어떤 위치 기반 순위 규칙에 대해서도 미분적 비밀보장 하에서 오차율의 상한을 도출한다.
• 더 엄격한 프라이버시 요구 조건(작은 ε)일수록 집계된 순위의 오차 확률이 증가하지만, 여전히 상한에 제한되어 있다.
• 시뮬레이션 결과는 이론적 오차 상한을 확인하며, 예측된 오차율과 관측된 오차율 간 일관된 일치를 보여준다.
• 이 프레임워크는 정확성을 유지하면서도 프라이버시를 보존하며, 특히 중간 수준의 프라이버시 예산에서 뛰어난 성능을 발휘한다.
• 분석은 순위 집계 시스템에서 프라이버시-정확성 상호 상충 관계를 체계적으로 정량화하는 데 기여한다.
• 균일한 사용자 프로필 분포를 가정할 경우 결과가 간단한 이론적 분석을 가능하게 하여 강건한 성능을 발휘한다.