本研究では、差分プライバシー(DP)の概念を利用して、個人データのプライバシーを保護しつつ、データの統計的特徴を最大限に保持するためのノイズ分散の最適化手法を提案している。
まず、データを正規化し、カテゴリー化することで、連続的なデータ範囲を離散的な区間に分割する。次に、各データ点を個別のプレイヤーとみなし、ノイズ分散を選択する「ノイズ分散最適化(NVO)ゲーム」を設計する。このゲームでは、プレイヤーが協調的に行動し、ǫ-per-instance差分プライバシー(ǫ-pDP)を満たしつつ、データの統計的特徴の保持を最大化する。
理論的に、NVOゲームのナッシュ均衡点はǫ-pDPを保証することを示している。また、ベストレスポンス動学(BRD)アルゴリズムと近似列挙(AE)アルゴリズムを提案し、ナッシュ均衡点を見つける方法を示している。
実験では、NBAプレーヤーの身長データ、個人収入データ、クレジットプロファイルデータを用いて評価を行っている。その結果、従来の差分プライバシーメカニズムと比較して、KLダイバージェンス、標準偏差の誤差、Jaccardインデックス、コサイン類似度などの指標で大幅な性能向上(最大99.53%)を示している。さらに、回帰タスクでも従来手法と比べて高い精度を達成している。
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問