상호작용 로컬 차등 프라이버시를 이용한 비모수 스펙트럼 밀도 추정

초록

본 논문은 로컬 차등 프라이버시(LDP) 하에서 중심이 되는 자기공분산 함수와 스펙트럼 밀도를 비모수적으로 추정하는 새로운 상호작용 메커니즘을 제안한다. 두 단계의 라플라스 메커니즘을 활용해 개인 데이터의 트렁케이션 후 노이즈를 추가하고, 이전에 공개된 프라이버시 샘플을 이용해 시계열 의존 구조를 학습한다. Hölder·Sobolev 매끄러움 클래스에 대해, 기존 비상호작용 방식이 nα⁴에 의존하던 점을 nα²로 개선하여 점별 추정률을 크게 향상시킨다. 전역 L₂ 추정률은 점별보다 느리지만, 전체 공분산 행렬을 LDP 하에 일관적으로 복원할 수 있음을 보인다. 시뮬레이션을 통해 이론적 결과를 검증한다.

상세 분석

이 연구는 로컬 차등 프라이버시(LDP) 환경에서 시계열 데이터의 2차 구조, 즉 자기공분산과 스펙트럼 밀도를 추정하는 문제에 초점을 맞춘다. 기존 문헌(Kroll, 2024)은 비상호작용(LDP) 메커니즘을 사용해 각 관측값을 독립적으로 라플라스 노이즈와 트렁케이션을 적용했으며, 그 결과 점별 평균제곱오차가 (nα⁴)⁻¹ 수준에 머물렀다. 이는 프라이버시 노이즈의 4차 모멘트가 오차에 직접 기여하기 때문이다. 저자들은 이 한계를 극복하기 위해 두 단계 전략을 도입한다. 첫 단계에서는 관측값을 절단하고 라플라스 노이즈를 추가해 기본적인 LDP를 만족한다. 두 번째 단계에서는 이미 공개된 프라이버시 샘플(Z₁,…,Z_{i‑1})을 이용해 현재 관측값 X_i와의 곱을 계산하고, 이를 다시 라플라스 메커니즘에 넣어 새로운 프라이버시 출력 Z_i를 만든다. 이렇게 하면 목표 함수가 2차 형태이므로 노이즈의 2차 모멘트만이 주요 오차 원인이 되고, α⁴ 대신 α²에 비례하는 수렴률을 얻는다.

수학적으로는, Sobolev 클래스 W_{s,2}(L) 혹은 Hölder 클래스 W_{s,∞}(L₀,L)에 속하는 스펙트럼 밀도 f에 대해 점별 MSE는
E|ĥf(ω)−f(ω)|² ≤ C·(nα²)^{−2s/(2s+1)}
와 같이 기존 (nα⁴)^{−2s/(2s+1)}보다 빠른 속도를 보인다. 전역 L₂ 위험은
E‖ĥf−f‖₂² ≤ C·(nα²)^{−2s/(2s+2)}
를 만족한다. 또한, 단일 공분산 계수 σ_j에 대해서는
E|ĥσ_j−σ_j|² ≤ C·(nα²)^{−1}
를 달성하며, 이는 비상호작용 메커니즘에서 증명된 (nα⁴)^{−1} 하한이 최적임을 재확인한다.

이 논문은 또한 프라이버시 메커니즘 전반에 걸친 피셔 정보 체인을 이용해 비상호작용 메커니즘의 정보 전파 한계를 정량화한다. Lemma 4는 각 단계의 조건부 피셔 정보가 (e^α−1)² 배만큼 감소한다는 점을 보여, 비상호작용에서는 정보 손실이 급격히 누적돼 α⁴ 비율이 불가피함을 설명한다. 반면, 상호작용 메커니즘에서는 이전 프라이버시 샘플을 활용함으로써 조건부 피셔 정보 손실을 최소화한다.

실험 부분에서는 Gaussian AR(1) 및 MA(1) 프로세스를 시뮬레이션하여, 제안된 상호작용 메커니즘이 동일한 n, α 조건에서 비상호작용 대비 평균 제곱오차가 약 30%~50% 감소함을 확인한다. 특히, α가 작아 프라이버시 요구가 강할수록 개선 효과가 두드러진다.

전체적으로 이 논문은 LDP 하에서 시계열 2차 구조를 효율적으로 복원하기 위한 새로운 설계 원칙을 제시한다. 첫째, 목표 통계량이 2차 형태일 때는 직접적인 데이터 노이즈보다 통계량 자체에 노이즈를 부여하는 것이 효율적이다. 둘째, 순차적 상호작용을 통해 이전 프라이버시 출력이 현재 추정에 정보를 제공하도록 설계하면 정보 손실을 크게 줄일 수 있다. 이러한 아이디어는 향후 고차원 시계열, 공간‑시간 데이터, 혹은 비가우시안 프로세스에도 확장 가능성을 시사한다.