Causal Discovery Under Local Privacy

要約

差分プライバシーは、データ セット内のデータ プロバイダーの機密情報を保護するために設計された、広く採用されているフレームワークです。
これは、データを保存および処理するサーバーとデータ消費者との間のインターフェースにおける制御されたノイズの適用に基づいています。
ローカル差分プライバシーは、データ プロバイダーが独自に民営化メカニズムをデータに個別に適用できるようにするバリアントです。
したがって、サーバー、さらにはデータ コレクターが信頼できない状況でも保護が提供されます。
ただし、ノイズの導入は、特に個々のデータ構成要素間の相関関係を歪めることにより、データの有用性に必然的に影響を及ぼします。
この歪みは、因果関係の発見などのタスクに悪影響を与える可能性があります。
この論文では、さまざまなよく知られたローカル差分プライベート メカニズムを検討し、それらが提供するプライバシーと、これらのメカニズムによって難読化されたデータに適用された場合の因果学習用のアルゴリズムによって生成される因果構造の精度との間のトレードオフを比較します。
私たちの分析により、因果関係発見タスクに適切なローカル差分プライベート プロトコルを選択するための貴重な洞察が得られます。
私たちは、私たちの発見が、研究者や実務家が局所的にプライベートな因果関係の発見を行うのに役立つと予測しています。

要約(オリジナル)

Differential privacy is a widely adopted framework designed to safeguard the sensitive information of data providers within a data set. It is based on the application of controlled noise at the interface between the server that stores and processes the data, and the data consumers. Local differential privacy is a variant that allows data providers to apply the privatization mechanism themselves on their data individually. Therefore it provides protection also in contexts in which the server, or even the data collector, cannot be trusted. The introduction of noise, however, inevitably affects the utility of the data, particularly by distorting the correlations between individual data components. This distortion can prove detrimental to tasks such as causal discovery. In this paper, we consider various well-known locally differentially private mechanisms and compare the trade-off between the privacy they provide, and the accuracy of the causal structure produced by algorithms for causal learning when applied to data obfuscated by these mechanisms. Our analysis yields valuable insights for selecting appropriate local differentially private protocols for causal discovery tasks. We foresee that our findings will aid researchers and practitioners in conducting locally private causal discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google