차등 프라이버시를 위한 지오데식 회귀

초록

본 논문은 유클리드 공간이 아닌 리만 다양체 위에 존재하는 응답 변수를 대상으로 하는 지오데식 회귀의 파라미터를 차등 프라이버시(DP) 방식으로 공개하는 방법을 제안한다. K‑Norm Gradient(KNG) 메커니즘을 리만 다양체에 적용하고, 파라미터 민감도(감도)를 야코비 필드와 곡률에 연결시켜 이론적 경계를 도출하였다. 구체적으로 구면, 대칭 양정치 행렬 공간, 켄달 평면 형태 공간에서 실험을 수행해 효율성을 입증하였다.

상세 분석

이 연구는 두 가지 핵심 문제를 동시에 해결한다. 첫째, 지오데식 회귀의 파라미터인 발점(p)과 초기 속도(v)를 차등 프라이버시 보장 하에 공개하기 위한 메커니즘을 설계한다. 기존의 DP 선형 회귀에서는 충분통계량(예: AᵀA)을 직접 노이즈화했지만, 리만 다양체에서는 이러한 통계량이 정의되지 않으므로, 저자들은 에너지 함수 E(p,v)=½n∑i d²(Exp(p,xi v),yi)의 그래디언트를 직접 활용한다. KNG 메커니즘은 그래디언트의 노름을 기준으로 확률분포를 정의하고, 감도 Δ를 통해 스케일 파라미터 σ=Δ/ε(또는 2Δ/ε)를 설정한다.

감도 분석에서는 발점과 속도 각각에 대해 별도 상한을 구한다. 발점 감도 Δp는 ∥∇pE(D)−∇pE(D′)∥로 정의되며, 이는 한 데이터 포인트만 교체된 두 데이터셋 사이의 차이이다. 저자들은 ∇pE를 d_pExp(p,xi v)†·εi 형태로 전개하고, 야코비 필드 J(t)와 로그 맵을 이용해 d_pExp와 d_vExp를 각각 야코비 방정식의 해로 표현한다. 이때 야코비 필드의 크기는 섹션 곡률 K에 의해 제한되며, Rauch 비교정리를 이용해 양의 곡률에서는 수축, 음의 곡률에서는 팽창하는 특성을 보인다. 결과적으로 Δp는 데이터의 최대 거리 τ와 샘플 수 n, 그리고 곡률 하한 κ_l에 따라
Δp ≤ 2τ/n (κ_l≥0) 혹은 Δp ≤ 2τ/(n·cosh(2√{-κ_l}(τ_m+τ))) (κ_l<0)
와 같은 형태로 구해진다. 속도 감도 Δv 역시 유사하게 야코비 필드의 초기 조건(속도 방향)과 데이터의 범위에 의해 제한된다.

이론적 결과는 두 가지 가정에 기반한다. (1) 섹션 곡률이 κ_l< K < κ_h 로 유계이며, (2) 데이터가 반경 r≤π/(8√{κ_h})(양의 곡률) 혹은 r<τ_m(음의 곡률)인 볼 안에 포함되고, 회귀 곡선이 τ‑close임을 전제한다. 이러한 가정은 감도 상한이 유한하고, KNG 메커니즘이 순수 DP를 만족하도록 보장한다.

실험에서는 S²(구면), SPD(n) (양정치 대칭 행렬), Kendall의 2‑차원 형태 공간을 대상으로 구현하였다. 각 공간에서 야코비 필드와 로그·지수 맵을 명시적으로 계산하고, KNG 메커니즘을 적용해 발점과 속도에 노이즈를 추가하였다. 결과는 비프라이버시(노이즈 없음)와 기존 라플라스 메커니즘 대비 평균 제곱 오차(MSE) 및 지오데식 거리 측면에서 경쟁력을 보였으며, 특히 양의 곡률이 큰 구면에서는 감도가 작아 노이즈가 적게 필요함을 확인했다.

전반적으로 이 논문은 리만 다양체 위의 통계 모델에 차등 프라이버시를 적용하는 새로운 프레임워크를 제공한다. 감도와 곡률 사이의 명시적 연결고리를 통해 다양한 비유클리드 데이터 도메인(의료 영상, 컴퓨터 비전 등)에서 실용적인 DP 회귀 분석이 가능함을 시사한다.