💻 computer science

Personalized w-Event Privacy for Infinite Stream Estimation

이 논문은 개인화된 예산 배분(Personalized Budget Distribution) 및 흡수(Absorption)와 같은 새로운 메커니즘을 활용하여 사용자별 프라이버시 선호도를 동적으로 수용하는 동시에 추정 오차를 크게 줄이는 개인화된 $w$ -이벤트 차분 프라이버시 프레임워크를 제안함으로써, 기존 스트림 추정에서의 균질한 프라이버시 가정의 한계를 다룬다.

원저자: Leilei Du, Xu Zhou, Peng Cheng, Lei Chen, Xuemin Lin, Wei Xi, Kenli Li

게시일 2026-08-21

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Leilei Du, Xu Zhou, Peng Cheng, Lei Chen, Xuemin Lin, Wei Xi, Kenli Li

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 디지털 세상에서 우리의 삶은 데이터 포인트의 흔적을 남깁니다. 우리가 어디를 가는지, 무엇을 사는지, 그리고 시간을 어떻게 통과하는지 말입니다. 이 정보의 홍수를 이해하기 위해, 분석가들은 특정 시간대에 특정 위치에 있는 사람의 수와 같은 활동에 대한 통계를 발표해야 할 때가 많습니다. 그러나 데이터를 공개하는 것은 위험을 수반합니다. 정보가 너무 정밀하면 개인의 사적인 습관을 드러내어, 일반적인 추세를 개인의 노출로 바꿀 수 있기 때문입니다. 이를 해결하기 위해 과학자들은 차분 프라이버시(differential privacy)라고 불리는 방법을 사용합니다. 이것을 라디오 신호에 정교하게 측정된 양의 잡음을 추가하는 것으로 생각해보십시오. 이 잡음은 개별 청취자의 정체는 숨길 수 있을 만큼 충분히 크지만, 전체적인 노래는 이해할 수 있을 정도로 명확하게 유지됩니다.

수년 동안 연구자들은 교통 흐름이나 비디오 피드와 같이 지속적으로 흐르는 데이터에 이 잡음을 적용해 왔습니다. "이벤트 프라이버시(event privacy)"라고 알려진 흔한 접근 방식은 사용자의 전체 이력을 숨기려 하기보다, 예를 들어 지난 몇 시간과 같이 특정 시간 동안의 사용자 데이터를 보호합니다. 이 보호의 표준 규칙은 "일률적인(one-size-fits-all)" 정책이었습니다. 모든 사람은 시스템 내에서 동일하게 취급되며, 동일한 양의 잡음이 데이터에 추가되고 동일한 시간 창이 적용됩니다. 이는 관리하기에는 간단하지만, 사람마다 필요가 다르다는 현실을 존중하지 못합니다. 유명인은 추적을 피하기 위해 자신의 위치를 오랫동안 숨겨야 할 수도 있는 반면, 거리의 공연자는 관객을 모으기 위해 자신의 위치를 널리 공유하고 싶어 할 수도 있습니다. 두 사람에게 동일한 수준의 보호를 강요하는 것은 문제를 일으킵니다. 유명인은 여전히 위험에 처할 수 있고, 공연자의 데이터는 잡음에 의해 너무 흐려져 쓸모없게 될 수 있기 때문입니다.

한 연구팀은 각 사용자가 자신의 데이터 스트림에 대한 자체적인 프라이버시 규칙을 설정할 수 있는 새로운 시스템을 개발함으로써 이 불균형을 해결했습니다. 단일한 전역 규칙 대신, 이 시스템은 모든 사용자가 자신의 데이터가 얼마나 오랫동안 보호되어야 하는지, 그리고 그 보호가 얼마나 강력해야 하는지를 결정할 수 있게 해줍니다. 연구진은 사용자가 이러한 설정을 맞춤화할 수 있게 함으로써, 데이터의 품질을 크게 향상시키면서도 모두를 안전하게 지킬 수 있다는 것을 발견했습니다. 실제 데이터를 사용한 테스트에서, 이들의 새로운 방식은 기존의 획일적인 방식에 비해 결과의 오차를 60% 이상 줄였습니다. 이는 데이터가 교통 모니터링이나 비디오 분석과 같은 용도로 사용될 만큼 충분히 정확하면서도, 동시에 관련된 모든 사람의 고유한 프라이버시 요구를 존중할 수 있음을 의미합니다.

이 작업의 핵심은 개별적인 선택들을 시스템을 깨뜨리지 않으면서 관리하는 프레임워크입니다. 연구진은 만약 모든 사람이 서로 다른 규칙을 가진다면, 컴퓨터가 단순히 모두에게 적용할 하나의 규칙을 선택할 수 없다는 점을 깨달았습니다. 대신, 컴퓨터는 매 순간 모든 개인의 구체적인 요청을 충족하는 공유된 솔루션을 끊임없이 계산해야 합니다. 그들은 이를 처리하기 위해 두 가지 주요 전략을 설계했습니다. 첫 번째 전략인 "분배(distribution) 방식"은 가용한 보호 자원을 사용자들에게 신중하게 나누어 주어, 누구도 프라이버시 범위를 다 써버리지 않도록 보장합니다. 두 번째 전략인 "흡수(absorption) 방식"은 시스템을 더 유연하게 만듭니다. 이는 시스템이 현재의 갑작스러운 필요를 처리하기 위해 미래의 보호를 "빌려오거나", 혹은 나중에 사용하기 위해 과거로부터 보호를 저축할 수 있게 합니다. 이러한 유연성은 데이터 스트림이 정적이지 않고 빠르게 변하며, 사용자의 프라이버시 요구가 매 초마다 변할 수 있기 때문에 매우 중요합니다.

이것이 작동하게 하려면 시스템은 스마트한 의사결정 과정을 사용해야 합니다. 데이터를 공개하기 전에, 시스템은 현재 상황이 마지막으로 데이터가 공개되었을 때와 얼마나 다른지 확인합니다. 변화가 작다면, 시스템은 새로운 데이터를 공개하는 것을 건너뛰고 마지막으로 알려진 값을 단순히 반복하여, 프라이버시 자원을 정말로 필요한 때를 위해 아껴둡니다. 변화가 크다면, 시스템은 보호된 버전의 새로운 데이터를 공개합니다. 연구진은 이 접근 방식이 사용자의 요구가 일정하게 유지되는 "고정 규칙"과, 사용자가 언제든 프라이버시 요구를 변경할 수 있는 "동적 규칙" 모두에 작동한다는 것을 수학적으로 증명했습니다. 동적인 경우, 시스템은 오늘 내린 결정이 어제의 약속이나 내일의 약속을 의도치 않게 위반하지 않도록 보장해야 합니다.

이 연구의 결과는 개인화가 단순한 이론적 이상이 아니라 더 나은 데이터를 얻기 위한 실질적인 방법임을 보여줍니다. 연구진이 합성 데이터와 실제 데이터셋을 사용하여 그들의 방법을 테스트했을 때, 개인화된 접근 방식은 전통적인 획일적 방식을 일관되게 능가했습니다. 예를 들어, 실제 데이터를 사용한 한 테스트에서, 새로운 동적 방식은 표준 방식에 비해 결과의 평균 오차를 최소 62.7% 감소시켰습니다. 합성 데이터를 사용한 또 다른 테스트에서, 흡수 방식은 오차를 최소 53.6% 줄였습니다. 이 수치들은 개인에게 맞춰 보호를 제공함으로써 시스템이 훨씬 더 명확한 세상을 그려낼 수 있음을 나타냅니다. 데이터는 개인을 보호하기 위해 추가된 잡음에 의해 덜 왜곡되어, 분석가들이 개인의 안전을 해치지 않으면서도 추세를 더 명확하게 볼 수 있게 해줍니다.

이 작업은 경직되고 획일적인 접근 방식에서 유연하고 인간 중심적인 방식으로의 전환을 의미합니다. 이는 프라이버시가 단일한 상품이 아니라, 사람마다, 그리고 순간마다 달라지는 스펙트럼이라는 점을 인정합니다. 이러한 변화를 처리할 수 있는 시스템을 구축함으로써, 연구진은 모든 사람을 똑같은 틀에 가두지 않고도 고품질의 데이터 분석을 할 수 있다는 것을 보여주었습니다. 이 시스템은 장기적인 강력한 보호가 필요한 사용자의 프라이버시가 약화되지 않도록 보장하는 동시에, 더 많은 정보를 공유하고자 하는 사용자가 불필요하게 가려지지 않도록 보장합니다. 이 연구 결과는 향에 데이터 수집 시스템이 매우 정확하면서도 개인의 선택을 깊이 존중할 수 있도록 설계될 수 있으며, 유용성과 프라이버시가 서로를 방해하는 것이 아니라 서로를 강화하는 균형을 이룰 수 있음을 시사합니다.

기술 요약: 무한 스트림 추정을 위한 개인화된 w-이벤트 프라이버시

1. 문제 정의

본 논문은 개별 사용자의 프라이버시를 보호하면서 무한한 데이터 스트림으로부터 통계량을 추정하는 과제를 다룹니다. 차분 프라이버시(Differential Privacy, DP) 하에서 w-이벤트 프라이버시(슬라이딩 윈도우 $w$ 개의 연속된 타임 슬롯 동안의 사용자 데이터를 보호)를 위한 기존 방식들은 일반적으로 모든 사용자에게 동일한 프라이버시 예산( $\epsilon$ )과 윈도우 크기( $w$ )를 적용하는 동질적(homogeneous) 요구사항을 강제합니다.

이러한 "일률적인(one-size-fits-all)" 접근 방식은 사용자마다 서로 다른 프라이버시 선호도를 가진 실제 시나리오에서는 최적이지 않습니다. 예를 들어, 유명인은 위치 데이터에 대해 강력한 보호(큰 $w$ , 작은 $\epsilon$ )를 요구할 수 있는 반면, 거리의 예술가는 가시성을 극대화하기 위해 더 약한 보호를 선호할 수 있습니다. 모든 사용자에게 가장 엄격한 요구사항을 강제하면 데이터 오차(낮은 효용)가 과도하게 발생하고, 가장 낮은 요구사항을 강제하면 민감한 사용자를 보호하지 못하게 됩니다.

본 논문은 두 가지 문제 설정을 공식화합니다:

고정된 개인화 설정 (PWSM-IDS): 각 사용자 $u_i$ 는 고정된 윈도우 크기 $w_i$ 와 고정된 프라이버시 예산 $E_i$ 로 정의되는 정적인 프라이버시 요구사항을 가집니다.
동적 개인화 설정 (DPWEPP-IDS): 사용자는 시간에 따라 변하는 요구사항을 지정할 수 있습니다. 각 타임 슬롯 $t$ 에서 사용자는 최근 과거를 다루는 후방(backward) 요구사항(윈도우 $w_{B,i,t}$ , 예산 $E_{B,i,t}$ )과 다가올 미래를 다루는 전방(forward) 요구사항(윈도우 $w_{F,i,t}$ , 예산 $E_{F,i,t}$ )을 선언합니다.

핵심 과제는 **온라인 실행 가능성(Online Feasibility)**입니다: 시스템은 각 타임 슬롯에서 이전에 소비된 예산과의 일관성을 보장하고 미래 요구사항에 대한 실행 가능성을 확보하면서, 모든 사용자의 이질적이고 시간에 따라 변하는 프라이버시 제약 조건을 동시에 만족하는 단일 공유 집계 통계량을 발표해야 합니다.

2. 방법론

저자들은 이질적인 사용자 요구사항을 유효한 시스템 수준의 릴리스 결정으로 변환하는 통합 프레임워크를 제안합니다. 이 프레임워크는 고정된 설정을 위한 **개인화된 윈도우 크기 메커니즘(PWSM)**과 동적 설정을 위한 **동적 개인화 윈도우 크기 메커니즘(DPWSM)**의 두 가지 주요 구성 요소로 이루어져 있습니다.

2. 1 핵심 구성 요소

최적 예산 선택 (Optimal Budget Selection, OBS): 이질적인 프라이버시 예산 집합이 주어졌을 때, OBS는 총 보고 오차를 최소화하는 최적의 임계값 $\epsilon_{opt}$ 를 선택합니다. 오차는 샘플링 오차(임계값보다 낮은 예산을 가진 사용자로부터 발생)와 노이즈 오차(임계값에 적용된 라플라스 메커니즘으로부터 발생)로 구성됩니다.
개인화된 프라이빗 비유사도 측정 (Personalized Private Dissimilarity Measure): 새로운 난독화된 통계량을 발표할지 아니면 마지막 통계량을 재사용할지(이를 통해 예산을 절약) 결정하기 위해, 시스템은 현재 데이터와 마지막 발표 사이의 비유사도를 계산합니다. 이 계산은 프라이버시 예산의 일부를 사용하여 프라이빗하게 수행됩니다.
적응형 릴리스 전략 (Adaptive Release Strategy): 만약 프라이빗 비유사도가 예상 노이즈 오차의 제곱근을 초과하면 새로운 발표가 이루어지며, 그렇지 않으면 시스템은 릴리스를 건너뛰어(null publication) 현재 값을 마지막 값으로 근사합니다.

2. 2 고정 설정 솔루션 (PWSM)

고정 설정의 경우, 프레임워크는 두 가지 메커니즘으로 구현됩니다:

개인화된 예산 배분 (Personalized Budget Distribution, PBD):
- 각 사용자의 총 예산 $E_i$ 를 두 부분으로 나눕니다: 하나는 비유사도 계산용, 다른 하나는 발표용입니다.
- 발표 예산은 윈도우 전체에 균등하게 배분됩니다 ( $E_i / 2w_i$ ).
- 발표가 발생하면 현재 윈도우에 대한 남은 예산이 조정됩니다. 만약 비유사도가 낮다면, 예산은 미래의 슬롯을 위해 저장됩니다.
개인화된 예산 흡수 (Personalized Budget Absorption, PBA):
- 더 매끄러운 스트림을 위해 설계되었습니다. 이는 시간 $t$ 에서의 발표가 사용자의 윈도우 내 미래 타임 슬롯으로부터 예산 쉐어를 "빌려올" 수 있도록 허용합니다.
- 만약 특정 발표가 평균 쉐어보다 더 많은 예산을 사용한다면, 평균 예산 제약을 유지하기 위해 후속 슬롯들이 "무효화(nullified)"(건너뜀)됩니다.
- 이 메커니즘은 높은 효용을 가진 릴리스의 비용을 흡수함으로써, 낮은 효용을 가진 미래의 릴리스를 건너뜀으로써 대응합니다.

2. 3 동적 설정 솔루션 (DPWSM)

동적 설정을 위해 프레임워크는 DPBD 및 DPBA로 일반화됩니다. 이 메커니즘들은 시간에 따라 변하는 제약 조건을 처리하기 위해 **실행 가능성 조건(Feasibility Conditions)**을 도입합니다:

후방 실행 가능성 (Backward Feasibility): 시간 $t$ 에서 사용된 예산은 현재 후방 윈도우의 남은 예산( $E_{B,i,t}$ 에서 과거 소비량 차감)을 초과해서는 안 됩니다.
전방 실행 가능성 (Forward Feasibility): 시간 $t$ 에서 사용된 예산은 $t$ 를 포함하는 전방 윈도우를 가졌던 이전의 모든 타임 슬롯 $\tau$ 에서 선언된 전방 프라이버시 요구사항을 위반해서는 안 됩니다.
메커니즘 로직:
- DPBD: 각 사용자에 대해 후방 남은 예산과 전방 남은 예산(모든 활성 전방 윈도우로부터 도출됨) 중 최솟값을 취함으로써 실행 가능한 예산 상한을 계산합니다. 그 후 이 실행 가능한 예산을 비유사도와 발표용으로 나눕니다.
- DPBA: 동적 윈도우에 맞게 흡수 로직을 확장합니다. 이는 역사적 전방 요구사항을 기반으로 각 사용자에 대한 "전방 무효화 우측 경계(forward nullified right border)"를 계산합니다. 현재 타임 슬롯이 이 경계 내에 있으면 릴리스를 건너뜁니다. 그렇지 않으면, 모든 활성 전방 제약을 준수하면서 미래 슬롯으로부터 흡수 가능한 최대 예산을 계산합니다.

3. 주요 기여

문제 공식화: 본 논문은 무한 데이터 스트림에 대해 시간에 따라 변하는 후방 및 전방 프라이버시 요구사항을 허용하도록 고정 개인화 설정을 일반화한 **동적 개인화 w-이벤트 프라이빗 퍼블리싱 (DPWEPP-IDS)**을 정의합니다. 또한 $(\tau, w_B, w_F, E_B, E_F)$ -EPDP라는 프라이버시 개념을 도입합니다.
온라인 실행 가능성 과제: 단일 공유 릴리스가 겹치는 윈도우를 가진 이질적이고 시간에 따라 변하는 제약 조건을 모두 만족해야 하는 새로운 도전 과제를 식별하고 해결합니다.
통합 프레임워크: 저자들은 **최적 예산 선택 (OBS)**과 적응형 릴리스 전략을 사용하여 이질적인 개인화 요구사항을 공유된 릴리스 결정으로 변환하는 통합 프레임워크(PWSM/DPWSM)를 제안합니다.
메커니즘:
- PBD & PBA: 고정 개인화 설정을 위한 솔루션.
- DPBD & DPBA: 전방 및 후방 실행 가능성을 엄격하게 강제하는 동적 개인화 설정을 위한 솔루션.
이론적 보장: 모든 메커니즘이 각각의 개인화된 차분 프라이버시 정의를 만족함을 증명하고, 평균 오차(효용)에 대한 이론적 상한을 확립합니다.
실험적 검증: 실제 및 합성 데이터셋에 대한 광범한 실험을 통해 제안된 메커니즘이 클래식한 동질적 베이스라인(BD 및 BA)보다 효용 측면에서 크게 우수함을 입증합니다.

4. 실험 결과

저자들은 실제 데이터와 합성 데이터 모두에서 메커니즘을 평가했습니다.

성능: 제안된 방법들은 클래식한 동질적 베이스라인보다 일관되게 향상된 효용을 보여주었습니다.
- 실제 데이터셋의 경우, DPBD는 표준 예산 배분(BD) 방식에 비해 평균 상대 오차(AMRE)를 최소 62.7% 감소시켰습니다.
- 합성 데이터셋의 경우, DPBA는 표준 예산 흡수(BA) 방식에 비해 AMRE를 최소 53.6% 감소시켰습니다.
확장성: 이론적 분석에 따르면, 제안된 방식의 시간 복잡도는 사용자 수( $n$ )와 최대 윈도우 크수에 비례하여 선형적이므로 대규모 사용자 인구에 대해서도 확장 가능합니다.

5. 의의 및 주장

본 논문은 주요 기여가 단순히 글로벌 파라미터를 개인화된 파라미터로 교체하는 것이 아니라, 중첩되고 이질적이며 시간에 따라 변하는 제약 조건 하에서 유효한 공유 릴리스 예산을 구축하고 유지하는 것에 있다고 주장합니다.

일반화: 본 연구는 프라이버시 선호도가 시간에 따라 진화하는 더 일반적이고 실용적인 환경으로 w-이벤트 프라이버시 패러다임을 확장합니다.
실행 가능성: 단일 집계 릴리스가 역사적 예산 소비와 미래의 프라이버시 실행 가능성 모두와 일치하도록 보장하는 비자명한 문제를 해결하며, 이는 클래식한 동질적 w-이벤트 프라이버시에는 없는 과제입니다.
실용성: 사용자가 서로 다른 프라이버시 수준을 설정할 수 있게 함으로써, 시스템은 일부 사용자를 "과잉 보호"(높은 오차 유발)하거나 다른 사용자를 "과소 보호"하는 트레이드오프를 피할 수 있습니다. 결과는 개인화된 메커니즘이 개별 사용자가 요구하는 특정 프라이버시 보장을 훼yle하지 않으면서도 훨씬 높은 데이터 효용을 달 Ach 수 있음을 시사합니다.

저자들은 신뢰할 수 있는 큐레이터 가정이 중앙 집중식 스트림 릴리스의 표준이지만, 제안된 메커니즘이 기존의 중앙 집중식 방법들(BD, BA, RescueDP, SPAS 등)이 지원하지 못하는 이질적이고 동적인 프라이버시 요구사항을 처리하는 간극을 구체적으로 해결한다고 주장합니다.