프라이버시 보장 합의 기반 분산 최적화: (ε,δ) 차등 개인정보 보호와 수렴 분석

초록

본 논문은 분산 환경에서 각 노드가 로컬 데이터를 보유한 채 합의 기반 최적화를 수행하면서, 메시지에 가우시안 잡음을 추가해 (ε,δ)-차등 개인정보 보호(DP)를 달성하는 방법을 제안한다. 두 단계 알고리즘을 설계하고, 조건부 L2‑민감도를 이용해 노이즈 분산을 직접 계산함으로써 기존의 조합 정리보다 더 작은 노이즈로 동일한 프라이버시를 보장한다. 또한, 강한 볼록성 가정 하에 수렴 오차가 프라이버시 파라미터에 따라 감소하는 구형 영역으로 수렴함을 증명한다. 실험을 통해 평균 추정 문제에서 제안 방법의 효율성을 확인한다.

상세 분석

이 논문은 분산 최적화에서 발생하는 프라이버시 누수를 차등 개인정보 보호(DP) 프레임워크로 정량화한다. 기존 연구들은 ε‑DP를 목표로 했으며, 이는 노이즈 규모를 크게 만들어 실용적인 정확도를 저해한다. 저자는 (ε,δ)-DP를 채택함으로써 Gaussian 메커니즘의 노이즈 분산을 보다 완화시킨다. 핵심 기여는 두 가지이다. 첫째, 알고리즘의 조건부 L2‑민감도 Δ(t)를 단계별로 정확히 분석하여 Δ(t)=2η_t G(여기서 G는 그래디언트 상한)임을 보인다. 이를 기반으로 전체 T 라운드에 걸친 누적 민감도와 노이즈 분산 M_t^2의 관계를
\