[論文レビュー] DPHMM: Customizable Data Release with Differential Privacy via Hidden Markov Model

Yonghui Xiao, Yilin Shen+4 more|arXiv (Cornell University)|Sep 29, 2016

Privacy-Preserving Technologies in Data参考文献 13被引用数 7

ひとこと要約

DPHMMは、時間的データにおける機微な状態遷移を保護するための、カスタマイズ可能なポリシーグラフを埋め込んだ微分プライバシー付き隠れマルコフモデルを提案する。プライバシーをグラフベースの不変性としてモデル化し、感度ハルを用いて露出リスクを検出することで、プライバシーと有用性の間で調整可能なトレードオフを実現し、時間的相関がある中でもDPLSを凌駕する有用性を達成しながら、強固なプライバシー保証を維持する。

ABSTRACT

Hidden Markov model (HMM) has been well studied and extensively used. In this paper, we present DPHMM ({Differentially Private Hidden Markov Model}), an HMM embedded with a private data release mechanism, in which the privacy of the data is protected through a graph. Specifically, we treat every state in Markov model as a node, and use a graph to represent the privacy policy, in which "indistinguishability" between states is denoted by edges between nodes. Due to the temporal correlations in Markov model, we show that the graph may be reduced to a subgraph with disconnected nodes, which become unprotected and might be exposed. To detect such privacy risk, we define sensitivity hull and degree of protection based on the graph to capture the condition of information exposure. Then to tackle the detected exposure, we study how to build an optimal graph based on the existing graph. We also implement and evaluate the DPHMM on real-world datasets, showing that privacy and utility can be better tuned with customized policy graph.

研究の動機と目的

• 時間的相関がある中で、マルコフモデルにおける機微な状態遷移を保護する課題に対処すること。
• 隠れマルコフモデル内にプライベートなデータ公開メカニズムを埋め込むことで、カスタマイズ可能なプライバシー-有用性トレードオフを可能にすること。
• 時間的依存性に起因するグラフの縮小によって生じるプライバシー露出リスクを検出し、緩和すること。
• 感度ハルと保護度指標を用いて、プライバシー保証を形式的に定式化すること。
• DPHMMが、実世界のデータセットにおいて、DPLSなどの既存手法よりも優れたプライバシー-有用性トレードオフを達成することを実証すること。

提案手法

• 論文は、ノードを状態、エッジを不変性を示すものとして定義するグラフとしてプライバシーポリシーをモデル化する。
• 時間的相関に起因して生じる保護されていない部分グラフを特定するための感度ハルの概念を導入する。
• 保護度（DoP）は、真の状態が隠されている状態の数として定義され、プライバシー強度を定量化する。
• すべての状態が適切に保護されるように、現在のグラフを拡張することで最適な保護可能なグラフを構築する。
• プライベートなデータ公開メカニズムは、感度ハルに基づいてノイズを追加し、ポリシーグラフの制約下で微分プライバシーを保証する。
• 実行時間、DoP、および公開値と真の値の間のL2ノルム誤差といった指標を用いて、GeoLifeおよびGowallaデータセット上で評価する。

実験結果

リサーチクエスチョン

• RQ1 時間的相関がある中で、カスタマイズ可能なプライバシー-有用性トレードオフを達成するために、隠れマルコフモデルにおける微分プライバシーをどのようにカスタマイズできるか。
• RQ2 不変性のためのポリシーグラフを用いる場合、時間的相関によって生じるプライバシーリスクは何か。
• RQ3 感度ハルを用いて、マルコフモデルにおける情報露出を検出し、定量化するにはどうすればよいか。
• RQ4 すべての状態が推論攻撃から保護されるように、ポリシーグラフを最適に拡張する方法は何か。
• RQ5 実世界のデータにおいて、DPHMMはDPLSなどの既存手法と比べて、プライバシー、有用性、効率性の観点でどのように異なるか。

主な発見

• DPHMMは、GeoLifeおよびGowallaデータセットの両方でL2ノルム誤差が低く抑えられていることから、DPLSよりも優れた有用性を達成しながら、プライバシーを維持または向上させている。
• G_trsグラフを用いる場合、DPHMMは強力なプライバシー（GeoLifeではDoPが100、Gowallaでは70）を提供するが、誤差が高くなるという代償がある。
• G_utilグラフを用いる場合、DPHMMはDPLSより低い誤差を達成しながら、DPLSよりも高いDoPを維持しており、優れたプライバシー-有用性トレードオフを示している。
• 保護度（DoP）は、εの値が異なる場合でも安定しており、これはグラフ構造に依存するためである。
• εが増加するにつれて誤差が減少するのは当然である。なぜなら、大きなεではノイズの少ない公開が可能になるからである。
• G_utilにおける距離パラメータrを大きくするとDoPは上昇するが、誤差も増加する。これは、グラフカスタマイズによってプライバシーと有用性を調整可能であることを確認している。