[論文レビュー] Towards Information Privacy for the Internet of Things

Meng Sun, Wee Peng Tay+1 more|arXiv (Cornell University)|Nov 14, 2016

Distributed Sensor Networks and Detection Algorithms参考文献 55被引用数 5

ひとこと要約

本稿では、IoTセンサネットワークにおける情報プライバシーのための非パrametric学習フレームワークを提案する。センサは、融合センターに送信する前にデータを劣化させる局所的プライバシーマッピングを適用する。経験的正規化リスクを最小化することで、公開仮説検出の高精度を保ちつつ、プライベート仮説推定の誤り率を著しく向上させ、理論的収束性と経験的妥当性を兼ね備えた強力なプライバシー保証を達成する。

ABSTRACT

In an Internet of Things network, multiple sensors send information to a fusion center for it to infer a public hypothesis of interest. However, the same sensor information may be used by the fusion center to make inferences of a private nature that the sensors wish to protect. To model this, we adopt a decentralized hypothesis testing framework with binary public and private hypotheses. Each sensor makes a private observation and utilizes a local sensor decision rule or privacy mapping to summarize that observation independently of the other sensors. The local decision made by a sensor is then sent to the fusion center. Without assuming knowledge of the joint distribution of the sensor observations and hypotheses, we adopt a nonparametric learning approach to design local privacy mappings. We introduce the concept of an empirical normalized risk, which provides a theoretical guarantee for the network to achieve information privacy for the private hypothesis with high probability when the number of training samples is large. We develop iterative optimization algorithms to determine an appropriate privacy threshold and the best sensor privacy mappings, and show that they converge. Finally, we extend our approach to the case of a private multiple hypothesis. Numerical results on both synthetic and real data sets suggest that our proposed approach yields low error rates for inferring the public hypothesis, but high error rates for detecting the private hypothesis.

研究の動機と目的

• センサが観測を通じて意図せずプライベート情報を漏洩させる可能性があるIoTネットワークにおける情報プライバシーを解決すること。
• 融合センターによるプライベート仮説の推定を防ぐために、センサデータを劣化させる局所的プライバシーマッピングを設計すること。
• 融合センターが公開仮説検出において高い正確性を維持する一方で、プライベート仮説検出を困難にするようにすること。
• 経験的正規化リスクと大標本収束を用いて、プライバシー性能に理論的保証を提供すること。
• 複数のプライベート仮説にフレームワークを拡張し、合成および実世界のデータセットで検証すること。

提案手法

• センサが独立して局所的意思決定ルールを適用する分散型仮説検定フレームワークを用い、二値の公開およびプライベート仮説を想定する。
• プライバシー漏洩と公開仮説検出正確性のトレードオフを測定するための経験的正規化リスク関数を導入する。
• 収束を保証するように、プライバシーサブスクリプション閾値と最適なセンサプライバシーマッピングを同時に決定する反復最適化アルゴリズムを採用する。
• センサ観測値と仮説の連合分布に関する仮定を避けるために、非パラメトリック学習を適用する。
• 一般化されたリスク定式化と凸最適化技術を用いて、複数のプライベート仮説への拡張を実現する。
• カーネルベースの表現と厳密に準凸最適化を用いて、臨界点への収束を保証する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、公開仮説検出の正確性を維持しながら、融合センターによるプライベート仮説の推定を防ぐことができるか？
• RQ2 観測値の連合分布の知識がなくても、プライバシー保護センサマッピングを設計するための非パラメトリック学習アプローチは何か？
• RQ3 経験的正規化リスク関数は、訓練サンプル数が増加する際に、高い確率でプライバシー性能の保証を提供できるか？
• RQ4 収束が臨界点に達するように設計された反復最適化アルゴリズムは、どのようにして最適なプライバシーマッピングと閾値を導出できるか？
• RQ5 提案されたフレームワーク下で、公開仮説検出正確性とプライベート仮説推定誤り率のトレードオフはどのようなものか？

主な発見

• 提案手法は、公開仮説の推定において、ほぼ最適に近い低誤り率を達成しており、高い有用性の維持を示している。
• プライベート仮説の検出においては、高い誤り率が誘発され、有効なプライバシー保護が確認された。
• 理論的分析により、訓練サンプルサイズが増加するに従い、経験的正規化リスクが情報プライバシーの高確率保証を提供することが示された。
• プライバシーサブスクリプション閾値とマッピングのための反復最適化アルゴリズムは、臨界点に収束し、安定的かつ信頼性の高い展開を保証した。
• 合成データおよび実データの数値的結果により、プライバシーと有用性のバランスをとるフレームワークの有効性が検証された。
• 複数のプライベート仮説への拡張においても、強力なプライバシー保証が維持されつつ、公開推論性能が保たれた。