[논문 리뷰] Privacy Under Hard Distortion Constraints

Jiachun Liao, Oliver Kosut외 2명|arXiv (Cornell University)|2018. 05. 31.

Privacy-Preserving Technologies in Data참고 문헌 10인용 수 6

한 줄 요약

이 논문은 디스토션 제약 조건이 있는 경우의 프라이버시-유용성 트레이드오프를 연구하며, 공개된 데이터에 대해 결정론적 피넷리티 보장을 보장한다. 어떤 α > 1에 대해서든 최적의 프라이버시 메커니즘과 트레이드오프는 모든 최대 α-누출 측정법에 대해 불변이며, 이는 상호정보량(α=1) 또는 최대 누출(α=∞)으로 수렴하며, 솔루션은 데이터 분포와는 무관하게 오직 디스토션 예산에만 의존한다.

ABSTRACT

We study the problem of data disclosure with privacy guarantees, wherein the utility of the disclosed data is ensured via a \emph{hard distortion} constraint. Unlike average distortion, hard distortion provides a deterministic guarantee of fidelity. For the privacy measure, we use a tunable information leakage measure, namely extit{maximal $α$-leakage} ($α\in[1,\infty]$), and formulate the privacy-utility tradeoff problem. The resulting solution highlights that under a hard distortion constraint, the nature of the solution remains unchanged for both local and non-local privacy requirements. More precisely, we show that both the optimal mechanism and the optimal tradeoff are invariant for any $α>1$; i.e., the tunable leakage measure only behaves as either of the two extrema, i.e., mutual information for $α=1$ and maximal leakage for $α=\infty$.

연구 동기 및 목표

• 하드 디스토션 제약 조건을 통해 원본 데이터와 공개된 데이터 간의 결정론적 피넷리티 보장을 확보함으로써 프라이버시-유용성 트레이드오프를 다루는 것.
• 조정 가능한 프라이버시 메트릭인 최대 α-누출이 하드 디스토션 제약 조건 하에서 최적의 유출 메커니즘에 미치는 영향을 분석하는 것.
• 최적의 프라이버시 메커니즘과 트레이드오프가 데이터 분포 또는 최대 α-누출 측정법에서의 α 값에 따라 달라지는지 여부를 규명하는 것.
• f-다이버전스 기반 누출 측정법의 더 넓은 클래스로 분석을 확장하고, 동일한 하드 디스토션 프레임워크 하에서 최적의 트레이드오프를 도출하는 것.

제안 방법

• 논문은 최대 α-누출을 프라이버시 메트릭으로 사용하고, 원본 데이터와 공개된 데이터 간의 결정론적 피넷리티를 보장하기 위해 하드 디스토션 제약 조건을 적용하여 프라이버시-유용성 트레이드오프 문제를 수립한다.
• α > 1에서 솔루션이 불변임을 활용하여 출력 분포에 대한 제약 조건이 있는 최적화 문제를 풀어 최적의 프라이버시 메커니즘을 유도한다.
• 해결책은 입력 데이터 분포에 영향을 받지 않으며, 오직 디스토션 예산과 타당한 출력 집합의 구조에만 의존한다.
• 이진 데이터와 유형 기반 디스토션(empirical distribution distance)의 경우, 최적의 메커니즘은 전체 유형 클래스를 특정 출력 데이터셋에 동일한 확률로 매핑한다.
• 유형 클래스를 상호 배타적인 타당한 구역으로 분할하여 최적 누출의 엄밀한 상한 및 하한을 유도하고, 최소 달성 가능한 누출에 대한 닫힌 형태의 표현식을 도출한다.
• 최적의 출력 분포는 타당한 유형 클래스의 비중복 그룹 각각에 대해 한 명의 대표 데이터셋에 동일한 확률을 할당하여 하드 디스토션 제약 조건 하에서 최대의 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 하드 디스토션 제약 조건을 사용할 때 최적의 프라이버시 메커니즘이 데이터 분포에 따라 달라지는가?
• RQ2 최대 α-누출에서 α의 선택이 하드 디스토션 조건 하에서 최적의 프라이버시-유용성 트레이드오프에 미치는 영향은 무엇인가?
• RQ3 최적의 메커니즘이 α > 1의 다양한 값에 대해 불변인가, 아니면 α에 따라 변하는가?
• RQ4 최대 α-누출을 사용하여 하드 디스토션 제약 조건 하에서 프라이버시-유용성 트레이드오프를 닫힌 형태로 해결할 수 있는가?
• RQ5 입력 및 출력 데이터셋의 경험적 분포 간의 거리로 디스토션을 측정할 경우 최적의 메커니즘은 어떻게 행동하는가?

주요 결과

• 모든 α > 1에 대해 최적의 프라이버시 메커니즘과 그로 인한 프라이버시-유용성 트레이드오프는 불변이며, 기반 데이터 분포에 영향을 받지 않는다.
• 최적의 메커니즘은 각 입력 유형 클래스를 확률 1로 단일 출력 데이터셋에 매핑하여 하드 디스토션 제약 조건 하에서 결정론적 피넷리티를 보장한다.
• α > 1에 대해 달성 가능한 최소 최대 α-누출은 (n+1)/(2m+1)의 올림값의 역수로 주어지며, 여기서 m은 디스토션 예산이고 n은 데이터셋 길이이다.
• α > 1에 대한 솔루션은 최대 누출(α = ∞)의 솔루션과 동일하므로, α > 1에서 조정 가능한 α-누출이 동일한 극단적 행동으로 수렴함을 시사한다.
• α = 1일 경우 최적의 메커니즘은 α > 1의 경우와 달리 데이터 분포에 따라 달라지며, 이는 α 매개변수 공간의 경계에서 근본적인 행동 차이를 보임을 나타낸다.
• 최적의 출력 분포는 타당한 유형 클래스의 비중복 그룹 각각에 대해 한 명의 대표 데이터셋에 동일한 확률을 할당하여 출력 공간의 분할을 형성한다.