REAEDP: Entropy-Calibrated Differentially Private Data Release with Formal Guarantees and Attack-Based Evaluation

فيما يلي ملخص تقني مفصل لورقة البحث المعنونة بـ "REAEDP: إطلاق البيانات مع معايرة الإنتروبيا بخصوصية تفاضلية مع ضمانات رسمية وتقييم قائم على الهجمات."

1. بيان المشكلة

تواجه عملية إصدار البيانات الحساسة (مثل السجلات الصحية، المسارات، سجلات التوصية) تهديدات خصوصية كبيرة، بما في ذلك الاستدلال على العضوية (membership inference)، والاستدلال على السمات (attribute inference)، وربط السجلات (record linkage). وبينما توفر الخصوصية التفاضلية (DP) إطارًا رسميًا للحد من تسرب المعلومات، فإن النهج الحالية تعاني غالبًا من ثلاثة قيود:

1. الافتقار إلى معايرة الإنتروبيا: بالنسبة للإصدارات القائمة على المدرجات التكرارية (histograms)، تتطلب آليات الخصوصية التفاضلية القياسية (مثل Laplace أو Gaussian) حساسية معروفة. ومع ذلك، لم تكن حساسية إنتروبيا شانون (وهي مقياس منفعة طبيعي للمدرجات التكرارية) مقيدة مسبقًا بشكل مناسب للمعايرة.
2. الأطر المجزأة: غالبًا ما تُدرس معايرة الإنتروبيا، وتوليد البيانات الاصطناعية، وتحليل الخصوصية التفاضلية الرسمية كجزر منعزلة بدلاً من دراستها ضمن مسار موحد.
3. التقييم غير الكافي: تعتمد العديد من الدراسات فقط على مقاييس المنفعة أو الحدود النظرية، وتفتقر إلى التقييم التجريبي المباشر ضد هجمات الخصوصية القياسية (مثل الاستدلال على العضوية) للتحقق مما إذا كانت الحماية صامدة في الممارسة العملية.

2. المنهجية: إطار عمل REAEDP

يقترح المؤلفون إطار عمل REAEDP، وهو إطار موحد يجمع بين إصدار المدرجات التكرارية المعايرة بالإنتروبيا، وآلية توليد البيانات الاصطناعية، والتقييم القائم على الهجمات الصارم.

أ. الأسس النظرية

• حدود حساسية الإنتروبيا (النظرية 3): يشتق البحث حدًا علويًا صريحًا لحساسية إنتروبيا شانون ($\Delta H$) تحت نموذج تجاور الاستبدال (حيث تختلف مجموعتان من البيانات بحجم $n$ بوجود سجل واحد فقط).

  • يُعطى الحد كالتالي: $\Delta H \leq \frac{1}{n} \left( 2 + \frac{1}{\ln 2} + 2 \log_2 n \right)$.
  • تم توسيع هذا الحد ليشمل إنتروبيا ريني ($H_\alpha$)، مما يظهر أن الحساسية تتناسب طرديًا مع $O(1/n)$ لأي رتبة $\alpha$.
  • الأهمية: يسم هذا الممارسين معايرة مستوى الضجيج لإصدارات المدرجات التكرارية بناءً على حجم مجموعة البيانات $n$، مما يضمن بقاء الإنتروبيا الصادرة ضمن هامش خطأ يمكن التنبؤ به.

• آلية البيانات الاصطناعية $F$ (النظرية 4): يقدم المؤلفون آلية لتوليد البيانات الاصطناعية $F$ تعمل في إطار نواة وينر (RKHS).

  • الآلية: تستخدم توزيع اقتراح يعتمد على "البذرة" (seed) لتوليد سجلات مرشحة.
  • اختبار الخصوصية: يتم قبول المرشح فقط إذا اجتاز "اختبار خصوصية" احتمالي يعتمد على تقسيم مجموعة البيانات ومتغير عشوائي $L$.
  • الضمان: تحت ظروف بارامترية محددة ($k, t, \gamma, \epsilon_0$)، تحقق الآلية الخصوصية التفاضلية $(\epsilon, \delta)$. تُعرف بارامترات الخصوصية كـ $\epsilon = \epsilon_0 + \ln(1 + \gamma/t)$ و $\delta = e^{-\epsilon_0(k-t)}$.

ب. التنفيذ الخوارزمي

يعمل إطار العمل في وضعين:

1. إصدار المدرجات التكرارية: يحسب التعدادات التجريبية، ويضيف ضجيج Laplace المعاير بناءً على حد $\Delta H$ المستمد، ثم يصدر المدرج التكراري المشوب بالضجيج.
2. الإصدار الاصطناعي: يقوم بأخذ عينات من البذور والمرشحين بشكل تكراري، مع تطبيق اختبار الخصوصية حتى يتم إنشاء سجل اصطناعي صالح.

3. المساهمات الرئيسية

1. حدود حساسية صريحة: اشتقاق أول حد صريح لحساسية إنتروبيا شانون وريني تحت نموذج تجاور الاستبدال، مما يتيح إضافة ضجيج معاير للإصدارات الحافظة للإنتروبيا.
2. إطار عمل موحد: دمج معايرة الإنتروبيا، وآلية البيانات الاصطناعية المثبتة رسميًا ($F$)، والتحقق التجريبي في مسار واحد.
3. ضمانات رسمية للبيانات الاصطناعية: إرساء ضمان الخصوصية التفاضلية $(\epsilon, \delta)$ لآلية البيانات الاصطناعية $F$ تحت إطار نواة وينر، مما يعالج فجوة في إصدار البيانات الاصطناعية غير التفاعلية.
4. تقييم شامل: استراتيجية تقييم متعددة الأوجه تجمع بين:
   • التحقق من الحدود النظرية.
   • المقارنات المرجعية (Laplace مقابل Gaussian).
   • التقييم القائم على الهجمات: الاختبار الصريح ضد هجمات الاستدلال على العضوية (MIA) وهجمات نمط الربط.

4. النتائج التجريبية

تم تقييم إطار العمل على مجموعات بيانات جدولية عامة متعددة (مثل مراجعات Amazon/Google، أسعار المنازل، Home Credit) وبيانات اصطناعية.

• معايرة الإنتروبيا:

  • بقيت تغيرات الإنتروبيا التجريبية ($\hat{\Delta H}$) عبر أحجام مختلفة من مجموعات البيانات ($n=50$ إلى $5000$) باستمرار أقل من الحد النظري المستمد في النظرية 3.
  • يتناقص الحد بمعدل $O(1/n)$، مما يؤكد فائدته للمعايرة في مجموعات البيانات الكبيرة.

• المفاضلة بين المنفعة والخصوصية:

  • البيانات الاصطناعية: في إطار نواة وينر، أدى زيادة بارامتر العقوبة $\rho$ إلى تقليل الضجيج، مما جعل المتوسط الخاص أقرب إلى المتوسط الأصلي، مما أظهر مقايضة يمكن التحكم فيها.
  • المقارنات المرجعية: أظهرت آليات Laplace و Gaussian القياسية اتجاهات منفعة مماثلة للنهج المقترح المعاير بالإنتروبيا.

• المقاومة ضد الهجمات:

  • الاستدلال على العضوية (MIA): مع انخفاض بارامتر الخصوصية $\epsilon$، انخفضت دقة MIA ودرجات AUC نحو مستويات التخمين العشوائي (0.5)، مما يشير إلى حماية قوية ضد الاستدلال على العضوية.
  • هجمات الربط: وبالمثل، تدهورت أداء هجمات نمط الربط مع زيادة الخصوصية، مما يؤكد متانة الآلية ضد ربط السجلات.

• معدلات النجاح: حافظ اختبار الخصوصية لآلية $F$ على معدلات نجاح غير مهملة حتى في ظل إعدادات الخصوصية الصارمة (قيم $k$ كبيرة)، مما يثبت أن الآلية قابلة للاستخدام العملي لتوليد البيانات الاصطناعية.

5. الأهمية والخاتمة

يعالج إطار عمل REAEDP فجوة حرجة في إصدار البيانات التي تحافظ على الخصوصية من خلال سد الفجوة بين الضمانات النظرية والمنفعة العملية.

• المنفعة العملية: من خلال توفير حد حساسية صريح للإنتروبيا، فإنه يسم يسمح لمسؤولي البيانات بإصدار الإحصاءات مع هوامش خطأ قابلة للقياس الكمي، متجاوزًا بذلك إضافة الضجيج "الصندوق الأسود".
• المتانة: يوضح تضمين التقييم القائم على الهجمات أن الضمانات النظرية تترجم إلى مقاومة في العالم الحقيقي ضد هجمات الاستدلال.
• القابلية للتوسع: تم التحقق من قابلية إطار العمل للتوسع على مجموعات بيانات جدولية متنوعة من الواقع، مما يظهر إمكانية تطبيقه بما يتجاوز الاختبارات المعيارية الاصطناعية.

القيود والعمل المستقبلي:
يشير المؤلفون إلى أن نهج المدرجات التكرارية يعتمد على التجزئة (binning)، والتي قد تكون حساسة في المساحات عالية الأبعاد. بالإضافة إلى ذلك، بينما يوفر مكون نواة وينر منظورًا للفضاء الوظيفي، فإنه يعتمد على تقريبات ذات أبعاد محدودة. يهدف العمل المستقبلي إلى توسيع إطار العمل ليشمل اختبارات الاستدلال على السمات، ونماذج الخصومة الأقوى، وإعدادات البيانات متعددة الوسائط أو الاتحادية.

باختصار، يوفر REAEDP مسارًا عمليًا وقابلًا للاستخدام ومؤسسًا نظريًا لإصدار البيانات الحساسة الذي يوازن بين ضمانات الخصوصية الرسمية والحفاظ على المنفعة القابلة للقياس.