📊 statistics

Differentially private inference framework of Riemannian manifold data

यह शोध पत्र फ्रैचेट मीन (Fréchet mean) और वेरिएंस (variance) के लिए ज्यामिति-जागरूक (geometry-aware) तंत्रों को डिजाइन करके, उनकी निरंतरता (consistency) और केंद्रीय सीमा प्रमेय (central limit theorems) स्थापित करके, और व्यापक सिमुलेशन तथा वास्तविक चिकित्सा और समाजशास्त्रीय डेटासेट के माध्यम से दृष्टिकोण को मान्य करके, रिमानियन मैनिफोल्ड डेटा (Riemannian manifold data) के लिए एक नवीन डिफरेंशियल प्राइवेट इन्फरेंस फ्रेमवर्क प्रस्तावित करता है।

मूल लेखक: Yangdi Jiang, Xiaotian Chang, Qirui Hu

प्रकाशित 2026-05-15

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yangdi Jiang, Xiaotian Chang, Qirui Hu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप पदयात्रियों (hikers) के एक समूह के "औसत" स्थान को खोजने की कोशिश कर रहे हैं, लेकिन वे एक सीधी सड़क (जैसे शहर की सड़क) पर नहीं चल रहे हैं, बल्कि एक विशाल, घुमावदार पहाड़ या गोले की सतह पर चल रहे हैं। गणित में, इस घुमावदार सतह को रीमानियन मैनिफोल्ड (Riemannian manifold) कहा जाता है।

यदि आप मानक "सपाट" गणित (यूक्लिडियन ज्यामिति) का उपयोग करके उनके औसत स्थान की गणना करने का प्रयास करते हैं, तो आपको गलत उत्तर मिलेगा क्योंकि वह गणित वक्रता (curve) को ध्यान में नहीं रखता है। आप वास्तव में एक ऐसा बिंदु निकाल सकते हैं जो पहाड़ के अंदर हवा में तैर रहा हो, न कि उस सतह पर जहाँ पदयात्री वास्तव में हैं।

इसके अलावा, कल्पना कीजिए कि ये पदयात्री संवेदनशील व्यक्तिगत डेटा (जैसे मेडिकल रिकॉर्ड या निजी विचार) ले जा रहे हैं। आप इस "औसत" स्थान को जनता के साथ साझा करना चाहते हैं, लेकिन आपको उनकी गोपनीयता बनाए रखनी है ताकि कोई भी यह पता न लगा सके कि वास्तव में कोई अकेला पदयात्री कहाँ था।

यह शोध पत्र इन दोनों समस्याओं को एक साथ हल करने के लिए एक नया टूलकिट प्रस्तावित करता है: कैसे एक घुमावदार सतह पर वास्तविक "औसत" की गणना की जाए और साथ ही डेटा की गोपनीयता भी बनाए रखी जाए।

यहाँ उनके समाधान का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: घुमावदार सड़कें और गोपनीयता

वक्रता (The Curve): वास्तविक दुनिया में, डेटा अक्सर वक्रों (curves) पर रहता है। उदाहरण के लिए, मेडिकल इमेजिंग (जैसे एमआरआई स्कैन) में ऐसा डेटा होता है जो एक घुमावदार सतह जैसा दिखता है, और सामाजिक विज्ञान का डेटा (जैसे लोग किस दिशा में देख रहे हैं) एक गोले पर रहता है। मानक सांख्यिकी यहाँ विफल हो जाती है क्योंकि वे मानती हैं कि सब कुछ सपाट है।
गोपनीयता (The Privacy): गोपनीयता की रक्षा के लिए, हम आमतौर पर डेटा में "शोर" (noise/रैंडम स्टैटिक) जोड़ते हैं। एक सपाट सड़क पर, आप बस एक सीधी रेखा में रैंडम शोर जोड़ देते हैं। लेकिन एक घुमावदार पहाड़ पर, यदि आप सीधी रेखा में शोर जोड़ते हैं, तो आप डेटा को पहाड़ से पूरी तरह बाहर धकेल सकते हैं, जिससे गणित टूट जाएगा।

2. समाधान: दो विशेष "शोर" मशीनें

लेखकों ने दो विशेष तरीके डिजाइन किए हैं जो पहाड़ के आकार का सम्मान करते हैं:

"रीमानियन गौसियन" (घुमावदार पहाड़ों के लिए): कल्पना कीजिए कि आप एक गोले पर हैं। इस पद्धति में डेटा को सीधी रेखा में धकेलने के बजाय, इसे गोले के वक्र के साथ ही धकेला जाता है। यह एक मार्बल को हवा में गोली की तरह चलाने के बजाय, उसे गोले की सतह पर लुढ़काने जैसा है। यह उन डेटा के लिए अच्छा काम करता है जिनमें "धनात्मक वक्रता" (positive curvature) होती है (जैसे एक गोला)।
"एक्सपोनेंशियल-रैप्ड गौसियन" (सैडल शेप के लिए): कल्पना कीजिए कि एक सैडल (काठी) का आकार है (जैसे प्रिंगल्स चिप या एक हाइपरबोलिक सतह)। यह विधि एक सपाट कागज (टैंजेंट प्लेन) लेती है, उसमें शोर जोड़ती है, और फिर उसे वापस घुमावदार सतह पर "लपेटती" है, जैसे उपहार को रैप किया जाता है। यह "हाडेमार्ड मैनिफोल्ड्स" (ऐसी सतहें जो एक-दूसरे से दूर मुड़ती हैं) के लिए काम करता है।

3. "गोपनीयता बजट" (गोपनीयता की लागत)

गोपनीयता गणित में, एक "बजट" (जिसे $\mu$ कहा जाता है) होता है।

उच्च बजट (High Budget): आप बहुत सटीक हो सकते हैं, लेकिन आप व्यक्तियों के बारे में अधिक जानकारी प्रकट करते हैं।
कम बजट (Low Budget): आप बहुत अधिक निजी होते हैं, लेकिन आपका "औसत" धुंधला और कम सटीक होगा।

लेखकों ने ठीक से गणना की कि पहाड़ के आकार और गोपनीयता बजट के आधार पर कितना शोर जोड़ना है। इस शोध पत्र से पहले, यह गणना करने के लिए जटिल और धीमे कंप्यूटर सिमुलेशन की आवश्यकता होती थी। लेखकों ने एक सीधा, तेज़ गणितीय शॉर्टकट खोज निकाला है।

4. परिणाम: विश्वसनीय औसत

एक बार जब उन्होंने शोर जोड़ दिया, तो लेखकों ने सिद्ध किया कि उनके नए "प्राइवेट एवरेज" गणितीय रूप से अभी भी काम करते हैं:

निरंतरता (Consistency): यदि आपके पास पर्याप्त डेटा है, तो प्राइवेट औसत वास्तविक औसत के करीब आता जाता है।
कॉन्फिडेंस रीजन (Confidence Regions): वे औसत के चारों ओर एक "अनिश्चितता का घेरा" बना सकते हैं। गोपनीयता शोर जोड़ने के बाद भी, उन्होंने सिद्ध किया कि यह घेरा सही आकार का है जिससे आप परिणाम के प्रति अपने विश्वास को समझ सकें।

5. वास्तविक दुनिया के परीक्षण

टीम ने अपने तरीके का दो प्रकार के वास्तविक डेटा पर परीक्षण किया:

मेडिकल इमेजिंग: उन्होंने रेटिनल स्कैन (OCT इमेज) के एक डेटाबेस को देखा। उन्होंने छवियों को एक घुमावदार सतह पर बिंदुओं के रूप में माना और विभिन्न बीमारी श्रेणियों के लिए "औसत आँख" की गणना की, जबकि रोगी की गोपनीयता की रक्षा की।
समाजशास्त्र डेटा: उन्होंने विश्लेषण किया कि लोग विभिन्न नौकरियों (जैसे "कमाई" बनाम "सामाजिक स्थिति") को कैसे आंकते हैं। यह डेटा एक गोले (दिशाओं) पर रहता है। उन्होंने दिखाया कि गोपनीयता शोर के बावजूद, वे अभी भी देख सकते हैं कि "कमाई" और "सामाजिक स्थिति" को अलग तरह से आंका जाता है, भले ही गोपनीयता बजट कम हो।

सारांश

इस शोध पत्र को एक घुमावदार दुनिया के लिए नए GPS के रूप में सोचें जिसमें गोपनीयता के लिए "ब्लर" (धुंधला करने का) फीचर है।

इससे पहले, यदि आप घुमावदार डेटा का निजी तौर पर औसत निकालना चाहते थे, तो आपको अनुमान लगाना पड़ता था या बहुत धीमे कंप्यूटर तरीकों का उपयोग करना पड़ता था। यह शोध पत्र आपको एक तेज़, विश्वसनीय मानचित्र देता है और यह नियम भी देता है कि मानचित्र को कितना धुंधला किया जाए ताकि आप यात्रियों की पहचान उजागर किए बिना गंतव्य तक पहुँच सकें। उन्होंने सिद्ध किया कि धुंधलेपन के बावजूद, मानचित्र निर्णय लेने के लिए पर्याप्त सटीक रहता है।

तकनीकी सारांश: रीमानियन मैनिफोल्ड डेटा का डिफरेंशियल प्राइवेट इन्फरेंस फ्रेमवर्क

समस्या विवरण
जैसे-जैसे डेटा संग्रह उन्नत हो रहा है, जटिल डेटासेट तेजी से गैर-यूक्लिडियन स्थानों (non-Euclidean spaces), विशेष रूप से रीमानियन मैनिफोल्ड्स (Riemannian manifolds) में निवास कर रहे हैं। प्रमुख उदाहरणों में सिमेट्रिक पॉजिटिव डेफिनिट मैट्रिसेस (SPDMs) का स्थान शामिल है जिसका उपयोग मेडिकल इमेजिंग (जैसे, डिफ्यूजन टेंसर इमेजिंग) में किया जाता है, और हाइपरस्फीयर (hypersphere) जो दिशात्मक सांख्यिकी (जैसे, समाजशास्त्रीय निर्णय डेटा) में उपयोग किया जाता है। जबकि डिफरेंशियल प्राइवेसी (DP) को यूक्लिडियन डेटा के लिए एक औपचारिक ढांचे के रूप में स्थापित किया गया है, मैनिफोल्ड-वैल्यूड डेटा के लिए इसे विस्तारित करना काफी हद तक अनछुआ रहा है। प्राथमिक चुनौतियों में वेक्टर स्पेस संरचना का अभाव (जो सीधे यूक्लिडियन शोर/noise जोड़ने से रोकता है), मैनिफोल्ड वक्रता (curvature) द्वारा उत्पन्न विश्लेणात्मक जटिलता, और वे सांख्यिकीय अनुमान प्रक्रियाएं (जैसे, निरंतरता और सेंट्रल लिमिट थ्योरम्स) शामिल हैं जो इन ज्यामितियों पर गोपनीयता सुनिश्चित करती हैं। यह शोध पत्र एक $d$ -आयामी रीमानियन मैनिफोल्ड पर परिभाषित गोपनीय डेटा के फ्रेट्स मीन (Fréchet mean) और फ्रेट्स वेरिएंस (Fréchet variance) के लिए इन्फरेंस समस्या को संबोधित करता है।

कार्यप्रणाली (Methodology)
लेखक विशिष्ट ज्यामितीय संरचनाओं के लिए तैयार किए गए दो अलग-अलग DP तंत्रों पर आधारित, फ्रेट्स मीन ( $\eta$ ) और फ्रेट्स वेरिएंस ( $V$ ) के डिफरेंशियल प्राइवेट (DP) अनुमान और इन्फरेंस के लिए एक व्यवस्थित फ्रेमवर्क प्रस्तावित करते हैं। यह कार्यप्रणाली दो विशिष्ट तंत्रों पर निर्मित है:

रीमानियन गौसियन (RG) तंत्र: यह होमोजेनियस मैनिफोल्ड्स और धनात्मक वक्रता (जैसे, स्फेयर्स) के लिए डिज़ाइन किया गया है। यह तंत्र मैनिफोल्ड पर सीधे एक रीमानियन गौसियन वितरण, $N^{RG}(\eta, \sigma)$ का उपयोग करके शोर इंजेक्ट करता है, जिसे घनत्व $\exp(-\rho^2(y, \eta)/2\sigma^2)$ के समानुपाती माना जाता है।
एक्सपोनेंशियल-रैप्ड गौसियन (EWG) तंत्र: यह हेडामार्ड मैनिफोल्ड्स (पूर्ण, सरल रूप से जुड़े मैनिफोल्ड्स जिनमें गैर-धनात्मक सेक्शनल कर्वेचर होता है, जैसे, एफ़ाइन-इनवेरिएंट मेट्रिक्स के साथ SPDM स्पेस) के लिए डिज़ाइन किया गया है। यह तंत्र एक्सपोनेंशियल मैप ( $\exp_p$ ) के माध्यम से एक टेंजेंट-स्पेस गौसियन वितरण को पुश-फॉरवर्ड करके टेंजेंट स्पेस संरचना का लाभ उठाता है।

प्रमुख तकनीकी योगदान:

विश्लेषणात्मक गोपनीयता अंशांकन (Analytic Privacy Calibration): इस शोध पत्र में पिछले कार्यों के विपरीत, जो निरंतर वक्रता वाले मैनिफोल्ड्स के लिए शोर के स्तर को कैलिब्रेट करने हेतु कम्प्यूटेशनल रूप से महंगे मार्कोव चेन मोंटे कार्लो (MCMC) प्रक्रियाओं पर निर्भर थे, फ्रेट्स मीन की संवेदनशीलता, रीमानियन ज्यामिति और गोपनीयता बजट ( $\mu$ ) के बीच एक स्पष्ट, विश्लेषणात्मक संबंध व्युत्पन्न किया गया है। यह गोपनीयता बजट को संख्यात्मक रूप से उलटने (inverting) के बिना सीधे शोर स्केल पैरामीटर $\sigma$ की गणना करने की अनुमति देता है।
अनंत सिद्धांत (Asymptotic Theory): लेखक प्रस्तावित DP अनुमानकों की $\sqrt{n}$ -कंसिस्टेंसी (consistency) स्थापित करते हैं। इसके अलावा, वे फ्रेट्स मीन और वेरिएंस दोनों के लिए सेंट्रल लिमिट थ्योरम्स (CLTs) को सिद्ध करते हैं। ये परिणाम मैनिफोल्ड की अंतर्निहित ज्यामिति, विशेष रूप से वर्ग दूरी (squared distance) फलन के अपेक्षित हेसियन (Hessian) को ध्यान में रखते हैं, और "स्मियरिनेस" (smeariness - धीमी अभिसरण दर) की घटना को संबोधित करते हैं जब मानक धारणाएं विफल हो जाती हैं।
इन्फरेंस प्रक्रियाएं: यह फ्रेमवर्क सांख्यिकीय निष्कर्ष के लिए एक पूर्ण सूट प्रदान करता है, जिसमें फ्रेट्स मीन के लिए स्पर्शोन्मुखी कॉन्फिडेंस रीजन (asymptotic confidence regions) और फ्रेट्स वेरिएंस के लिए कॉन्फिडेंस इंटरवल का निर्माण शामिल है।
निजी वेरिएंस अनुमान (Private Variance Estimation): वैध इन्फरेंस को सक्षम करने के लिए, यह शोध पत्र इन सांख्यिकियों के वेक्टरकृत रूपों पर गौसियन तंत्रों का उपयोग करते हुए, एसिम्प्टोटिक वेरिएंस घटकों (मैट्रिक्स $\Lambda$ और $C$ ) और वेरिएंस अनुमानक के सीमित वेरिएंस के लिए सुसंगत DP अनुमानक प्रस्तावित करता है।

परिणाम
प्रस्तावित कार्यप्रणाली को व्यापक संख्यात्मक प्रयोगों और वास्तविक दुनिया के अनुप्रयोगों के माध्यम से मान्य किया गया:

सिमुलेशन: यूनिट स्फीयर ( $S^2$ ) और SPDM स्पेस ( $S^+_2$ ) पर प्रयोगों ने प्रदर्शित किया कि जैसे-जैसे गोपनीयता बजट बढ़ता है, DP और गैर-DP अनुमानकों के बीच का अंतर कम होता जाता है। निर्मित DP कॉन्फिडेंस रीजन की कवरेज दर विभिन्न गोपनीयता बजटों में नामांकित स्तर (जैसे, 95%) के करीब बनी रही।
वास्तविक दुनिया के अनुप्रयोग:
- मेडिकल इमेजिंग: इसे OCTMNIST डेटासेट (SPDMs में मैप किए गए रेटिनल OCT स्कैन) पर लागू किया गया। इस फ्रेमवर्क ने विभिन्न निदान वर्गों के लिए DP कॉन्फिडेंस रीजन का सफलतापूर्वक निर्माण किया, जिससे पता चला कि मध्यम गोपनीयता बजट ( $\mu=1, 2$ ) गैर-DP समकक्षों के करीब क्षेत्र प्रदान करते हैं, जबकि मजबूत गोपनीयता ( $\mu=0.1$ ) अनिश्चितता को उचित रूप से बढ़ा देती है।
- समाजशास्त्रीय डेटा: इसे एक गोले पर व्यावसायिक निर्णय डेटा पर लागू किया गया। DP कॉन्फिडेंस रीजन ने विभिन्न मानदंडों (Earnings, Social Status, आदि) के लिए गुप्त पैटर्न को पहचानने की क्षमता बनाए रखी, जहाँ क्षेत्र $\mu$ बढ़ने पर गैर-DP अनुमानों की ओर संकुचित होते गए।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह नवीन गोपनीयता तंत्रों और एक सामान्य, कार्यान्वयन योग्य फ्रेमवर्क का उपयोग करके रीमानियन मैनिफोल्ड्स पर फ्रेट्स मीन और वेरिएंस के लिए DP इन्फरेंस समस्या को संबोधित करने वाला पहला कार्य है। इसका महत्व निम्नलिखित में निहित है:

ज्यामिति और गोपनीयता का मिलन: यह वक्रता और रैखिक संरचना के अभाव का सम्मान करते हुए, आंतरिक ज्यामितीय संवेदनशीलता से शोर अंशांकन को जोड़कर, घुमावदार स्थानों के लिए यूक्लिडियन DP की भावना को सफलतापूर्वक अनुकूलित करता है।
व्यावहारिकता: विश्लेषणात्मक अंशांकन सूत्रों को प्रदान करके, यह फ्रेमवर्क विशिष्ट MCMC प्रक्रियाओं या अस्पष्ट बजट उलटाव की आवश्यकता को समाप्त करता है, जिससे मैनिफोल्ड पर DP इन्फरेंस को वास्तविक दुनिया के अनुप्रयोगों के लिए कम्प्यूटेशनल रूप से व्यवहार्य बनाता है।
सांख्यिकीय कठोरता: यह गोपनीयता प्रतिबंधों के तहत रूट- $n$ कंसिस्टेंसी, CLTs और वैध अनिश्चितता मात्रा निर्धारण (कॉन्फिडेंस रीजन) प्रदान करता है, जिसमें स्मियरिनेस जैसी ज्यामितीय जटिलताओं को भी शामिल किया गया है।

लेखक सीमाओं का उल्लेख करते हैं, विशेष रूप से यह कि यह फ्रेमवर्क एक केंद्रीय DP मॉडल के तहत कार्य करता है जिसमें एक विश्वसनीय एग्रीगेटर होता है और वर्तमान में क्यूरेटर के विरुद्ध स्थानीय गोपनीयता गारंटी प्रदान नहीं करता है, जो मैनिफोल्ड्स की गैर-रेखीय ज्यामिति के कारण भविष्य के कार्य के लिए चुनौतियां प्रस्तुत करता है।