모두가 지켜보고 있는 세상에서 비밀을 지키려 한다고 상상해 보십시오. 디지털 시대에 이 역할은 **차분 프라이버시(Differential Privacy)**의 몫입니다. 이것은 데이터의 마법 같은 방패와 같습니다. 컴퓨터가 거대한 데이터베이스(예: 학교 학생들의 평균 키)로부터 무언가를 배우고자 할 때, 단순히 가공되지 않은 숫자를 내뱉는 것이 아닙로 대신, 라디오 볼륨을 아주 약간 높여 특정 목소리는 들리지 않게 하되 노래 자체는 들을 수 있게 만드는 것처럼, 결과값에 약간의 "정적" 또는 "노이즈(noise)"를 추가합니다. 이 노이즈는 결과값을 보더라도 특정 인물이 데이터베이스에 포함되어 있었는지 여부를 알 수 없도록 보장합니다.

이러한 노이즈를 만드는 가장 흔한 방법은 **가우시안 메커니즘(Gaussian Mechanism)**이라 불리는 것을 사용하는 것입니다. 이는 마치 데이터 위에 특정한 종류의 투명한 모래를 뿌리는 것과 같습니다. 오랫동안 과학자들은 이 과정을 하나의 숫자, 즉 데이터가 얼마나 안전한지를 알려주는 "프라이버시 점수"를 통해 분석해 왔습니다. 이것은 마치 온도계 하나로 국의 온도를 체크하는 것과 비슷합니다. 국이 충분히 뜨거운지는 알려주지만, 국 안에서 기포가 어떻게 일어나는지, 증기가 어떻게 피어오르는지, 혹은 재료들이 어떻게 소용돌이치고 있는지는 알려주지 않습니다.

하지만 만약 이 단 하나의 숫자가 숨겨진 형태의 세계를 가리고 있다면 어떨까요? 텍사스 테크 대학교의 연구자 톈시 지(Tianxi Ji)가 던진 질문이 바로 이것입니다. 지는 단순히 온도를 측정하는 대신, 국 그 자체를 관찰하기로 했습니다. 구체적으로, 지는 컴퓨터가 보호를 위해 노이즈를 추가할 때마다 형성되는 보이지 않는 기하학적 형상들을 살펴보았습니다. 이 논문은 이러한 형상들이 어떻게 행동하는지를 탐구하며, "프라이버시 점수"가 유용하기는 하지만, 그 밑바탕에 깔린 기하학적 구조가 프라이버시가 실제로 어떻게 작동하는지에 대해 훨씬 더 풍부한 이야기를 들려준다는 것을 증명합니다.

노이즈 속에 숨겨진 삼각형들

이 논문에서 저자는 단순하지만 심오한 질문을 던집니다: 노이즈는 실제로 어떤 모습인가?

컴퓨터가 비밀을 보호할 때, 실제 데이터에 노이즈를 추가합니다. 수학적으로 이는 세 가지 요소 사이의 관계를 만듭니다: 원래의 데이터, 유사한 두 데이터셋 사이의 비밀스러운 차이, 그리고 노이즈 그 자체입니다. 저자는 이 세 요소가 항상 **무작위 삼각형(random triangle)**을 형성한다는 사실을 깨달았습니다. 고차원 공간(우리가 볼 수 있는 3차원보다 훨씬 더 많은 방향을 가진 공간)에 떠 있는 삼각형을 상상해 보십시오. 삼각형의 한 변은 "민감도(sensitivity, 비밀스러운 차이)"이고, 나머지 두 변은 노이즈 벡터입니다.

이 논문은 단순히 이러한 삼각형이 존재한다고 말하는 데 그치지 않고, 이들이 어떻게 행동하는지 보기 위해 두 가지 완전히 새로운 방식으로 이들을 매핑합니다.

관점 1: 형상의 지도 (심플렉스, The Simplex)

저자가 이 삼각형들을 바라보는 첫 번째 방법은 이들을 **심플렉스(simplex)**라고 불리는 평면적인 2D 지도로 압축하는 것입니다. 이것은 3D 조각상을 벽에 투영된 그림자로 만드는 것과 같습니다. 저자는 삼각형 변의 길이를 계산하고 이를 정규화하여(합이 1이 되도록 함), 이를 삼각형 모양의 지도 위의 한 점으로 표시합니다.

논문은 이 점들이 무작위로 흩어져 있는 것이 아니라는 점을 발견했습니다. 점들은 특정한 기울어진 타원(ellipse) 안에 갇혀 있습니다. 데이터의 차원이 아무리 많아도 점들은 반드시 이 타원 안에 머물러야 합니다. 그러나 데이터가 복잡해질수록(차원 $M$이 증가함에 따라), 흥미로운 현상이 발생합니다. 점들의 구름이 지도의 특정 모서리인 $(0, 1/2, 1/2)$ 지점을 향해 미끄러져 내려갑니다.

이것은 무엇을 의미할까요? 매우 높은 차원에서는 삼각형의 "비밀스러운" 변이 노이즈 변들에 비해 매우 작아진다는 것을 의미합니다. 삼각형은 너무 납작해지고 노이즈에 의해 지배되어 마치 선처럼 보이게 됩니다. 저자는 차원이 커짐에 따라 삼각형의 모양이 이 특정하고 노이즈가 풍부한 구성으로 붕괴된다는 것을 수학적으로 증명합니다.

관점 2: 스펙트럼 형상의 지구본 (헤미스피어, The Hemisphere)

두 번째 방법은 **특이값 분해(Singular Value Decomposition, SVD)**라는 도구를 사용하여 삼각형의 내부 구조를 파헤치는 것입니다. 이것은 삼각형을 회전시켜 그 "골격"이나 가장 중요한 방향을 보는 것과 같습니다.

저자는 이 삼각형들을 헤미스피어(hemisphere, 반구) 상에 매핑합니다. 이 지구본 위에서:

• **위도(latitude)**는 삼각형이 얼마나 "균형 잡혀 있는지"를 알려줍니다.
• **경도(longitude)**는 노이즈의 방향을 알려줍니다.

논문은 차원 $M$이 증가함에 따라 이 지구본 위의 점들이 단순히 제자리에 머물지 않는다는 것을 보여줍니다. 점들은 두 가지 행동을 합니다:

1. 적도 드리프트(Equatorial Drift): 점들이 적도(낮은 위도)를 향해 미끄러져 내려갑니다. 이는 삼각형의 스펙트럼 형상이 점점 더 "납작해지거나" 1차원적으로 변하고 있음을 의미합니다.
2. 밴드 집중(Band Concentration): 점들이 적도 주변의 매우 얇고 촘직한 띠 안으로 압착됩니다.

지구본 주위를 날아다니는 새 떼를 상상해 보십시오. 낮은 차원에서는 새들이 사방에 퍼져 있을 수 있습니다. 하지만 차원이 엄청나게 커지면, 모든 새가 지구본 중앙을 따라 형성된 아주 얇은 고리 모양의 띠 속으로 모여듭니다. 논문은 이 새들이 어디에 있는지에 대한 정확한 확률을 계산하여, 노이즈가 무작위적임에도 불구하고 그 형상은 믿기 힘들 정도로 예측 가능하다는 것을 보여줍니다.

이것이 왜 중요한가

가장 중요한 점은 저자가 기존의 프라이버시 계산 방식(단일 숫자)이 틀렸다고 말하는 것이 아니라는 점입니다. 논문은 명시적으로 기존 방식이 프라이버시를 보장하는 데 **충분하다(sufficient)**고 밝히고 있습니다. 단순히 데이터가 안전한지 알고 싶다면, 그 단일 숫자만으로도 충분합니다.

하지만 저자는 단일 숫자를 보는 것이 그림자를 보는 것과 같아서, 3D의 실체를 놓칠 수 있다고 주장합니다. 저자는 삼각형을 심플렉스와 헤미스피어로 매핑함으로써, 무슨 일이 일어나고 있는지 설명할 수 있는 새로운 정밀한 기하학적 언어를 제공합니다. 저자는 다음을 증명합니다:

• 프라이버시 손실은 이러한 기하학적 좌표로부터 완벽하게 재구성될 수 있습니다.
• "노이즈"는 단순히 흐릿한 것이 아니라, 데이터가 커짐에 따라 변화하는 특정한, 예측 가능한 형상을 가지고 있습니다.
• 고차원에서 노이즈의 기하학적 구조는 삼각형을 극도로 납작하고 집중된 형태로 만듭니다.

저자는 10,000개의 무작위 삼각형을 이용한 시뮬레이션을 통해 이러한 추세를 시각화하였으며, 프라이버시 요구 사항이 엄격해지거나 데이터 차원이 높아질수록 형상이 어떻게 더 좁아지고 집중되는지를 보여주었습니다. 이 논문은 새로운 프라이버시 메커니즘이나 프라이버시를 깨뜨리는 새로운 방법을 발명했다고 주장하는 것이 아닙니다. 대신, 프라이버시의 추상적인 수학과 무작위 형상 연구 사이의 **기하학적 가교(geometric bridge)**를 제공합니다. 이는 노이즈의 형상을 이해함으로써, 우리가 이전에는 할 수 없었던 방식으로 프라이버시와 데이터 효용성 사이의 절충안을 설계하거나 이해할 수 있음을 시사합니다.

요약하자면, 이 논문은 데이터 프라이버시의 보이지 않고 혼란스러운 노이즈를 가져와 그것이 실제로 아름답고 예측 가능한 기하학적 패턴을 형성하고 있음을 보여줍니다. 이는 단 하나의 숫자를 지도와 지구본으로 변환하여, 무작위한 노이즈의 혼돈 속에서도 발견되기를 기다리는 숨겨진 질서가 있다는 것을 드러냅니다.