[論文レビュー] Privacy-Aware Mechanism Design

Kobbi Nissim, Claudio Orlandi+1 more|arXiv (Cornell University)|Nov 14, 2011

Auction Theory and Applications参考文献 9被引用数 6

ひとこと要約

本稿は、プライバシー懸念を考慮したメカニズム設計のための新規モデルを提案する。このモデルでは、プライベートタイプに関する情報漏洩に起因する効用の低下を扱う。プライバシー評価が限界的なエージェントに対してインcentive compatibilityを保証するとともに、微分プライバシーを維持するフレームワークを導入し、プライバシー志向性の分布的仮定が比較的弱い条件下でも、近似的に最適なメカニズムを構築できることを示している。

ABSTRACT

In traditional mechanism design, agents only care about the utility they derive from the outcome of the mechanism. We look at a richer model where agents also assign non-negative dis-utility to the information about their private types leaked by the outcome of the mechanism. We present a new model for privacy-aware mechanism design, where we only assume an upper bound on the agents' loss due to leakage, as opposed to previous work where a full characterization of the loss was required. In this model, under a mild assumption on the distribution of how agents value their privacy, we show a generic construction of privacy-aware mechanisms and demonstrate its applicability to electronic polling and pricing of a digital good.

研究の動機と目的

• 従来のメカニズムにおいてエージェントのプライバシー懸念が真実性を損なうというメカニズム設計のギャップを埋めること。
• 微分プライバシーのような強力なプライバシー保証が存在しても、プライベートタイプに関する情報漏洩に起因する不快感を示すエージェントをモデル化すること。
• 中程度のプライバシー評価を持つエージェントに対してインセンティブ互換性を保証するとともに、高いプライバシー評価を持つエージェントの微分プライバシーを維持すること。
• デジタルグッドの価格設定など、実用的なメカニズムを、プライバシーに配慮したインcentiveに従って近似的に最適に構築すること。
• プライバシー評価、微分プライバシー、インセンティブ互換性のメカニズム設計における相互作用を形式化し、分析すること。

提案手法

• エージェントがプライバシー損失不快感の保守的上限値を有するが、完全なプライバシー志向性の特徴付けをしないモデルを提案する。
• 特定のプライバシー評価閾値以下のエージェントに対してのみインセンティブ互換性を保証する、しきい値ベースのメカニズムを導入する。
• プライバシー評価が高いエージェントのプライバシーを保護するため、微分プライバシーを用いる。これにより、そのエージェントのプライバシー損失情報がさらなる漏洩を受けることはない。
• Nissim, Smorodinsky, and Tennenholtz (ITCS 2012) が提示した一般化された構成法を用いて、プライバシー制約下での近似的に加法的なメカニズムを構築する。
• 集中不等式と和集合不等式を用いて期待収益の保証を導出する。感度Δfとプライバシーパラメータεを活用する。
• デジタルグッドの価格設定問題にこのフレームワークを適用し、単一価格メカニズムがどのようにプライバシーに配慮した形で近似的に最適にできるかを示す。

実験結果

リサーチクエスチョン

• RQ1 エージェントがプライバシーに配慮していても、微分プライバシーを保ったまま、従来のインセンティブ互換性のあるメカニズムが真実性を保てるか？
• RQ2 プライバシー評価が限界的なエージェントに対してインセンティブ互換性を保証すると同時に、高い評価を持つエージェントのプライバシーを保護するメカニズムはどのように設計できるか？
• RQ3 メカニズム設計において、プライバシー保護、インセンティブ互換性、最適解への近似誤差の間にはどのようなトレードオフがあるか？
• RQ4 近似的に加法的なメカニズムの一般化された構成法は、プライバシーに配慮した志向性を組み込むために適応可能か？
• RQ5 プライバシー評価の分布が、プライバシーに配慮したメカニズムの実現可能性と性能にどのように影響を与えるか？

主な発見

• エージェントのプライバシー評価が特定の閾値未満である限り、完全なプライバシー志向性の特徴付けが不明であっても、インセンティブ互換性が保証される。
• 微分プライバシーは、任意に高いプライバシー評価を持つエージェントを含め、すべてのエージェントに対して維持され、プライバシー損失情報の漏洩に対する保護が保証される。
• やや弱い仮定（例：(α,1−α)-許容性）のもとで、メカニズムは追加誤差O(Δf n^{(1+α)/2} √(|S| ln(n|S|)/g))の範囲内で最適な結果を回復する。
• デジタルグッドの価格設定の例では、メカニズムは最適収益からO(n^{(1+α)/2} q √(ln(nq)))の近似誤差を達成する。ここでΔf=1、g=1/(2q)である。
• 集団が大きくなるに従い、メカニズムの相対的精度が向上し、非プライバシー志向のメカニズムの性能にn^{α/2}の要因の範囲で近づく。
• このフレームワークは、プライバシー評価分布に関する現実的な仮定のもとで、プライバシーに配慮したメカニズムが実現可能で、近似的に最適であることを示している。