Differential Privacy Technologies for Distributed Social Graphs

点击翻译按钮获取中文摘要

本研究では，分散型SNSにおいて，元データが漏洩しないことを保証する差分プライバシー（DP: Differential Privacy）を満たすように，グラフの統計情報や機械学習モデルを求める技術の確立を目標としている．令和4年度では，以下の成果を上げた．(1) グラフ統計量としてtriangle countに着眼し，ユーザが送信したデータをランダムにシャッフルした上でデータ収集者に送る中間サーバ（shuffler）を介することで，ユーザとデータ収集者とのデータのやり取りは1回のみで（one-round），差分プライバシーを満たしつつtriangle countを推定するアルゴリズムを提案した．提案アルゴリズムの理論解析および評価実験を行い，局所型差分プライバシー（LDP: Local Differential Privacy）を満たす従来のone-roundアルゴリズムと比較して，推定精度が大幅に向上できることを示した．本成果は，情報セキュリティ分野のトップ国際会議ACM CCS'22に採択された．(2) グラフ統計量として次数分布に着眼し，node（ユーザ）を秘匿する局所型差分プライバシー（node LDP: node Local Differntial Privacy）を満たしつつ，次数分布を推定するアルゴリズムを提案した．評価実験を行い，提案手法の有効性を示した．本成果は，難関国際会議IEEE BigData'22に採択された．