제어된 잡음 삽입을 통한 프라이버시 보호 랜덤 가십 알고리즘

본 논문은 분산 네트워크에서 각 노드가 보유한 민감한 초기 값 c_i 을 보호하면서 평균 합의(average consensus) 문제를 해결하고자 하는 목표를 갖는다. 기존 연구는 두 가지 접근법을 제시했는데, 하나는 최종 평균값 자체에 차등 프라이버시를 적용해 라플라시안 잡음을 추가하는 방식이며, 다른 하나는 초기 값 자체를 보호하기 위해 동기식 알고리즘에 잡음을 삽입하는 방법이다. 그러나 이들 모두 프라이버시 정의가 명확하지 않거나, 동기식 환경에만 국한돼 비동기식 랜덤 가십에 적용하기 어렵다는 한계를 가지고 있다. 이에 저자들은 비동기식 랜덤 가십 프레임워크에 ‘제어된 잡음 삽입’ 기법을 도입한 최초의 알고리즘을 제안한다. 알고리즘은 다음과 같은 흐름을 가진다. 1. 그래프 G 의 임의의 간선 (i,j) 를 균등하게 선택한다. 2. 선택된 두 노드 i, j 는 각각 현재까지 삽입한 잡음 w_{t_i-1}^i, w_{t_j-1}^j 을 빼고, 새로운 가우시안 잡음 v_t^i ∼ N(0,σ_i²), v_t^j ∼ N(0,σ_j²) 에 감소율 φ_i, φ_j 를 적용해 w_t^i = φ_i^{t_i} v_t^i − φ_i^{t_i-1} v_{t_i-1}^i, w_t^j = φ_j^{t_j} v_t^j − φ_j^{t_j-1} v_{t_j-1}^j 을 만든다. 3. 두 노드의 값에 각각의 w_t 를 더한 뒤 평균을 취해 x_{t+1}^i = x_{t+1}^j = (x_t^i + w_t^i + x_t^j + w_t^j)/2 으로 업데이트한다. 4. 나머지 노드들은 그대로 유지한다. 이 과정에서 각 노드는 자신이 삽입한 잡음을 기억하고, 다음에 선택될 때 이전 잡음을 상쇄하고 새로운 잡음으로 교체한다. φ_i가 1에 가까울수록 잡음이 오래 남아 프라이버시 보호 효과가 커지지만, 수렴 속도는 느려진다. 반대로 φ_i가 작으면 잡음이 빠르게 사라져 수렴이 빨라지지만 보호 수준이 낮아진다. 수학적 분석은 프라이멀‑듀얼 관점을 사용한다. 평균 합의 문제는 Ax = 0 (여기서 A 는 그래프의 인시던스 행렬)이라는 선형 제약을 갖는 최소 제곱 투영 문제로 표현된다. 듀얼 문제 max D(y) 는 무제한 볼록 2차 함수이며, 랜덤 Kaczmarz 방법이 이 듀얼을 비동기식으로 업데이트하는 것이 기존 랜덤 가십과 동등함을 이용한다. 잡음 삽입은 듀얼 변수 y 에 추가적인 랜덤 항을 만든다; 이 항은 시간에 따라 감소하도록 설계돼 기대값이 0이 되면서 전체 시스템은 원래 평균 \bar c 으로 수렴한다. 주요 정리(Theorem 2)는 수렴 오차에 대한 상한을 제시한다. 기본 수렴 계수 ρ = 1 − α(G)²/m (α(G)는 그래프 알제브라적 연결도)와 잡음에 의해 발생하는 추가 항 ψ_t 를 정의하고, E