Kernekoncepter
다차원 쿼리 응답에 독립적이지만 동일하지 않은(i.n.i.d.) 노이즈를 추가하여 주어진 프라이버시 요구사항에서 더 높은 정확도를 달성할 수 있다.
Resumé
이 논문은 다차원 쿼리 응답에 독립적이지만 동일하지 않은(i.n.i.d.) 노이즈를 추가하여 프라이버시와 정확도 간의 더 나은 균형을 달성하는 방법을 제안한다.
- 기존의 차등 프라이버시 메커니즘은 각 좌표에 독립적이고 동일한(i.i.d.) 노이즈를 추가했지만, 이 논문에서는 좌표별 편차를 활용하여 i.n.i.d. 노이즈를 추가하는 방법을 제안한다.
- i.n.i.d. 가우시안 및 라플라스 메커니즘에 대한 프라이버시 보장 조건을 도출하고, 이를 만족하는 최적의 좌표별 스케일 파라미터를 유도한다.
- 이론적 분석과 시뮬레이션을 통해 i.n.i.d. 메커니즘이 i.i.d. 메커니즘에 비해 더 높은 정확도를 제공함을 보인다.
- 좌표별 민감도 편차가 큰 경우, i.n.i.d. 라플라스 메커니즘이 i.i.d. 가우시안 메커니즘보다 성능이 우수할 수 있음을 보인다.
- 실제 데이터셋에서 좌표별 편차를 활용한 i.n.i.d. 노이즈 추가가 경험적 위험 최소화 문제에서 성능 향상을 가져올 수 있음을 보인다.
Statistik
다차원 쿼리의 ℓ1-민감도는 ℓ2-민감도보다 더 빠르게 증가한다.
좌표별 민감도 편차가 클수록 i.n.i.d. 메커니즘의 성능 향상 효과가 크다.
좌표별 민감도 편차가 지수적인 경우, i.n.i.d. 라플라스 메커니즘이 i.i.d. 가우시안 메커니즘보다 MSE가 더 작다.
Citater
"Often in a multi-dimensional query, not all the coordinates are equally vulnerable to privacy leakage."
"By harnessing the underlying query-wide disparity, the i.n.i.d. noise mechanisms offer higher accuracy for the given privacy constraint than the corresponding i.i.d. mechanism."
"One of the interesting observations is that the Laplace mechanism outperforms Gaussian even in high dimensions, as opposed to the popular belief, if the irregularity in coordinate-wise sensitivities is exploited."