연속형 샘플링으로 f‑차등프라이버시 감시

초록

본 논문은 f‑DP(함수형 차등프라이버시) 개념을 기반으로, 사전 샘플 수를 지정하지 않고도 자동으로 필요한 최소 샘플을 판단하는 순차적 감사 기법을 제안한다. 이 방법은 통계적 유의수준을 보장하면서 검증 비용을 크게 절감하고, 백박스·화이트박스 모두에 적용 가능하도록 설계되었다.

상세 분석

논문은 기존 DP 감사가 고정된 샘플 크기에 의존해 과도한 연산 비용을 초래한다는 점을 지적한다. 이를 해결하기 위해 저자들은 f‑DP의 핵심인 트레이드오프 함수 f(α)를 이용해 두 인접 데이터셋의 출력 분포 차이를 이진 분류 문제로 전환한다. 최적 분류기의 오류쌍(α,β)을 모두 고려하는 전체 트레이드오프 곡선을 활용하면, (ε,δ)‑DP가 제공하는 국소적 보증보다 전체 프라이버시 스펙트럼을 동시에 검증할 수 있다.

통계적 가설 검정 관점에서 H₀는 “메커니즘이 주어진 f‑DP를 만족한다”이고, H₁은 “위반한다”이다. 기존 고정‑샘플 테스트는 효과 크기(실제 위반 정도)를 알 수 없어 보수적으로 큰 n을 선택한다. 저자들은 순차 검정 이론을 도입해 관측이 진행될수록 누적 로그우도비(Likelihood Ratio)를 모니터링하고, 사전 정의된 유의수준 γ에 도달하면 즉시 H₀를 기각하거나 계속 진행한다. 이 과정에서 거짓 기각률이 γ 이하로 유지됨을 정리 3.1에서 증명한다.

핵심 알고리즘은 두 단계로 구성된다. 첫째, 각 샘플에 대해 최적 분류기(또는 근사) φ*를 학습하고, 해당 오류율 α̂,β̂를 추정한다. 여기서 저자들은 기존 고정‑배치 감사에서 사용되던 ROC‑곡선 기반 파라미터 튜닝을 개선해, 작은 배치에서도 안정적인 추정이 가능하도록 새로운 정규화 기법을 제안한다. 둘째, 추정된 (α̂,β̂)를 이용해 현재까지의 누적 검정 통계량을 계산하고, 사전 정의된 상한·하한 경계와 비교한다. 경계를 초과하면 즉시 결정을 내리고, 그렇지 않으면 추가 샘플을 요청한다.

이 순차 절차는 이론적으로 최소 샘플 수 n_min에 로그 팩터만큼 근접한 샘플 복잡도를 달성한다(정리 3.1, 주석 3.2). 실험에서는 합성 데이터와 DP‑SGD 기반 이미지 분류 모델을 대상으로, 기존 고정‑샘플 감사 대비 10%~25% 수준의 샘플 수만으로 동일한 검정 파워를 확보함을 보여준다. 또한, 단일 실행(single‑run) 프레임워크에서도 검증이 가능하도록 설계돼, 전체 학습 과정을 한 번만 실행하고 결과만 재활용한다는 장점이 있다.

마지막으로, 저자들은 공개 코드와 함께 구현 세부 사항을 제공해, 연구자와 실무자가 손쉽게 기존 f‑DP 감사 도구에 순차 래퍼를 적용할 수 있도록 지원한다.