核心概念
제안된 AAA 메커니즘은 데이터 분포에 적응적이며 엄격한 국소 차등 프라이버시 제약 하에서 평균 추정 결과의 유틸리티를 최대화한다.
要約
이 논문은 국소 차등 프라이버시(LDP) 하에서 평균 추정 문제를 다룬다. 기존 연구는 주로 최악의 경우 성능 보장에 초점을 맞추었지만, 실제 데이터가 특정 분포를 따르는 경우 평균 성능이 더 중요할 수 있다.
제안된 AAA 메커니즘은 다음과 같은 두 단계로 구성된다:
데이터 큐레이터가 무작위로 선별된 클라이언트 집단을 이용해 데이터 분포 정보를 추정한다. 이때 LDP 요구사항이 보장된다.
나머지 클라이언트들은 추정된 데이터 분포 정보를 활용하여 데이터를 퍼터베이션한다. 이때 최적화 문제를 통해 평균 유틸리티를 최대화하면서 LDP를 만족하도록 한다.
실험 결과, AAA 메커니즘이 기존 솔루션에 비해 다양한 데이터셋과 프라이버시 제약 하에서 일관되게 더 나은 성능을 보였다.
統計
데이터 분포 추정 오차 상한은 𝜓≤0.1로 제한된다.