연결도 기반 고차원 네트워크에서 프라이버시와 효용의 최적 균형

초록

본 논문은 β‑모델과 그 고차원(하이퍼그래프) 확장을 대상으로, 로컬·중앙 차등 프라이버시 하에서 파라미터 추정의 최소극대 위험(minimax risk)을 정확히 규명한다. 이론적 하한과 상한을 제시하고, 이산 라플라스와 DP‑GD 기반 추정기를 설계해 상수·로그 수준으로 최적성을 달성함을 보인다. 실험을 통해 합성 데이터와 실제 통신 네트워크에서 제안 방법의 실효성을 검증한다.

상세 분석

이 연구는 네트워크 데이터가 개인 간 연결 정보를 포함하고 있어 프라이버시 보호가 필수적인 상황을 전제로 한다. 데이터 제공자가 노드의 차수(연결 수)만을 공개하는 경우, β‑모델은 각 노드 i에 파라미터 β_i를 할당하고, 두 노드 i, j 사이에 엣지가 존재할 확률을 P(e_{ij}=1)=exp(β_i+β_j)/(1+exp(β_i+β_j)) 로 정의한다. 이 모델은 차수 시퀀스가 충분통계량(sufficient statistic)이라는 점에서 차수만으로도 β를 추정할 수 있다. 논문은 이를 r‑uniform 하이퍼그래프 β‑모델로 일반화하여, 각 하이퍼엣지 (i₁,…,i_r)의 포함 확률을 exp(β_{i₁}+…+β_{i_r})/(1+exp(β_{i₁}+…+β_{i_r})) 로 설정한다.

프라이버시 프레임워크는 엣지 차별 차등 프라이버시(edge differential privacy)를 채택한다. 두 네트워크가 정확히 하나의 (하이퍼)엣지만 다를 때, 메커니즘 M의 출력 분포가 ε,δ‑DP 조건을 만족하면 개인(엣지) 수준의 정보가 보호된다. 두 가지 시나리오를 고려한다: (1) 로컬 DP – 각 사용자가 자신의 차수를 직접 노이즈(이산 라플라스)와 함께 공개; (2) 중앙 DP – 신뢰할 수 있는 중앙 서버가 원시 차수를 수집한 뒤, 집계된 통계에 노이즈를 추가하거나 DP‑GD를 이용해 로그우도 최적화를 수행한다.

주요 이론적 기여는 다음과 같다. 첫째, 로컬 DP 상황에서 최소극대 위험의 하한을 c·ε⁻²·n^{-(r‑1)} (상수 c는 r, M, ε₀에 의존) 형태로 증명한다. 이는 기존 비프라이버시 최소 위험 Θ(n^{-(r‑1)}) 에 비해 ε⁻² 만큼의 비용이 추가됨을 의미한다. 증명은 Fano’s inequality와 Duchi et al. (2017)의 로컬 DP 기법을 결합해, 파라미터 공간을 ε⁻¹·n^{-(r‑1)} 수준으로 구분된 2^{Θ(n)}개의 점으로 패킹하고, 차수 분포 간 KL 발산을 얇게 유지함으로써 정보 이론적 한계를 도출한다.

둘째, 제안된 이산 라플라스 메커니즘은 각 차수 d_i에 독립적으로 Laplace_{ℤ}(1/ε) 노이즈를 더한다. 이 노이즈는 로컬 DP를 만족하면서, 노이즈가 추가된 차수 시퀀스로부터 β̂를 최소제곱(ℓ₂) 방식으로 추정하면 위 하한과 일치하는 상한을 얻는다. 즉, E‖β̂−β‖₂² ≤ C·ε⁻²·n^{-(r‑1)}·log n 을 만족한다.

셋째, 중앙 DP에서는 전체 차수 시퀀스를 한 번에 집계하고, 차분 프라이버시를 보장하는 가우시안 노이즈를 추가하거나, 차수 기반 로그우도 함수를 DP‑GD(노이즈가 섞인 경사 하강)로 최적화한다. 이 경우 위험은 C·(ε⁻¹·n^{-(r‑1)}+n^{-1}) 정도로, 로컬 DP보다 2차 항에서 개선된다. 특히, ε가 충분히 큰 경우(예: ε≥√{log n})에는 비프라이버시와 거의 동일한 성능을 달성한다.

실험 부분에서는 n=5005000 범위의 합성 하이퍼그래프와 실제 Enron 이메일 네트워크(2‑uniform 그래프)를 사용한다. 로컬 DP에서는 ε=0.52.0 구간에서 제안 추정기가 MLE 대비 1.2~1.5배 정도의 MSE 상승만 보이며, 중앙 DP에서는 ε≥1에서 MSE가 MLE에 근접한다. 하이퍼링크 예측(task)에서도 프라이버시 보호된 β̂를 이용한 확률적 연결 예측 정확도가 비프라이버시 대비 5% 이내로 감소한다는 결과를 제시한다.

이 논문은 β‑모델(및 하이퍼그래프 확장)에서 차수만을 이용한 프라이버시 보존 추정 문제를 처음으로 완전한 유한표본 최소극대 위험 분석으로 해결했으며, 로컬·중앙 DP 각각에 대해 최적 메커니즘과 추정기를 제시한다. 이는 네트워크 과학, 통계학, 데이터 프라이버시 분야에서 차수 기반 데이터 공유와 분석을 안전하게 수행할 수 있는 이론적·실용적 토대를 제공한다.