概要 - 関連する多属性データの局所差分プライバシー下での周波数推定

関連する多属性データの局所差分プライバシー下での周波数推定

2025-07-23 13:52:45

{"Shafizur Rahman Seeam","Ye Zheng","Yidan Hu"}

{cs.CR}

この論文では、Corr-RRという新しい二段階メカニズムを提案し、局所的差分プライバシー（LDP）下での周波数推定に用いる。このメカニズムは、属性間の関連性を利用して有用性を向上させる。従来のLDP方法とは異なり、すべての属性に対してプライバシーの予算を分割するか、各属性を独立に処理するのではなく、Corr-RRは各ユーザーに対してランダムに選択された1つの属性に全てのプライバシーの予算を集中させ、残りの属性を関連性に基づくランダムな反応スキームを使用して推定する。このアプローチにより、追加のプライバシーのコストを負わずに有用性を向上させることができる。 ### 主要な貢献： 1. **初の関連性意識型LDPフレームワーク**：この論文では、多属性の頻度解析における推定精度を向上させるために、属性間の関連性を明示的に利用する初のLDPフレームワークを提案する。 2. **具体的な実現：Corr-RR**：Corr-RRは、局所的差分プライバシーを満たしつつ、多属性データ収集における有用性を向上させる新しいメカニズムである。ランダムに選択された1つの属性にプライバシーの予算全体を使用してパーサブル化し、学習した関連性に基づく確率変換を使用して残りの属性を合成する。 3. **プライバシーの保証**：Corr-RRは、多属性設定でϵ-局所的差分プライバシーを形式的に証明する。 4. **包括的な評価**：合成データセットと実世界データセットの両方での実験により、Corr-RRが従来のLDPメカニズムを大幅に上回ることを示し、特に多くの属性と強い属性間の関連性があるシナリオで特に優れている。 ### 二段階フレームワーク： 1. **第1段階：依存関係学習**：一部のユーザーは、Split Budget（SPL）などの標準的なLDPメカニズムを使用して独立にすべての属性をパーサブル化する。その後、サーバーはLDP保証を侵害しないように、ノイズのある報告を集約して属性間の近似依存関係を学習する。 2. **第2段階：関連性意識型収集**：残りの各ユーザーは、プライバシーの予算全体を使用してランダムに選択された1つの属性をパーサブル化する。残りの未選択の属性は、学習した属性間の関連性を使用して推定される。 ### Corr-RRの利点： * **有用性の向上**：Corr-RRは属性間の関連性を利用して推定精度を向上させ、従来のLDPメカニズムに比べてより良い有用性を提供する。 * **スケーラビリティ**：Corr-RRは属性の数に応じてスケールし、高次元データセットに適している。 * **プライバシーの保護**：Corr-RRはϵ-局所的差分プライバシーを満たし、強いプライバシーの保証を提供する。 ### 結論： Corr-RRは、プライバシーを保護しつつ有用性を向上させるLDP下での頻度推定のための有望なアプローチであり、属性間の関連性を利用する。実験結果は、様々なシナリオでのその効果と実用性を示している。