네트워크 연결성 지표의 차등 프라이버시 보호

본 논문은 사회·경제 네트워크에서 중요한 분석 도구인 연결성 지표(특히 교차‑속성 연결성, 예: 고소득·저소득 간 친구 비율)를 차등 프라이버시 하에 안전하게 공개하기 위한 새로운 프레임워크를 제시한다. 연구 배경으로는 기존 차등 프라이버시 기법이 독립적인 레코드 가정에 기반해 설계되었지만, 그래프 데이터는 노드와 엣지가 상호 의존적이어서 전통적 메커니즘이 높은 전역 민감도와 복합 구성 문제로 인해 실용적인 정확도를 제공하지 못한다는 점을 들었다. 특히, 하나의 노드 라벨이 수천 개의 연결성 셀에 영향을 미치면, 라벨을 직접 노이즈화할 경우 노이즈 규모가 급격히 커진다. 이를 해결하기 위해 저자들은 두 단계의 노이즈 삽입 전략을 고안한다. 첫 번째 단계에서는 라플라스(또는 가우시안) 메커니즘을 이용해 각 노드의 라벨을 직접 노이즈화한다. 이때 라벨 민감도는 1(이산형) 혹은 라벨 값의 범위(연속형)로 제한되며, 그래프 구조와 무관하게 일정하다. 두 번째 단계에서는 노이즈화된 라벨을 사용해 연결성 지표를 계산하고, 라벨 노이즈가 초래한 편향을 정확히 보정하는 분석적 디버이어스 식을 도출한다. 이 보정은 DP의 포스트프로세싱 정리에 의해 프라이버시 손실을 추가로 발생시키지 않는다. 마지막으로, 엣지 존재 여부가 연결성 지표에 미치는 영향을 고려해 엣지‑인접 민감도를 계산하고, 다시 라플라스(또는 가우시안) 노이즈를 삽입한다. 하나의 엣지는 최대 두 개의 셀에만 영향을 미치므로, 전체 민감도는 O(1) 수준으로 크게 낮아진다. 이론적 결과는 다음과 같다. (1) 엣지‑인접 차등 프라이버시 정의 하에 (ε,δ) 구성 정리를 증명하여, 노드 라벨 노이즈와 엣지 노이즈를 독립적으로 합성할 수 있음을 보였다. (2) 디버이어스된 사후 추정량이 큰 표본에서 일관성(consistency)과 점근적 정규성(asymptotic normality)을 만족한다는 정리를 제공했으며, 연속형 라벨에 대한 회귀 형태(친구 순위와 자신의 순위 회귀)에도 적용해 추정량의 분산을 명시적으로 도출했다. (3) 민감도 분석을 통해 엣지‑인접 DP 보장이 기존의 노드‑인접 DP보다 훨씬 효율적임을 보였다. 실험에서는 두 종류의 시뮬레이션을 수행했다. 첫 번째는 이산 라벨을 가진 Erdős‑Rényi와 Stochastic Block Model 그래프에서, 두 번째는 연속 라벨을 가진 Graphon 기반 합성 네트워크에서 각각 평균 제곱오차(MSE)와 신뢰구간 커버리지를 평가했다. 결과는 기존 라플라스 메커니즘 기반 방법보다 2~5배 작은 오류를 보였으며, 특히 200~500 노드 규모에서도 실용적인 정확도를 유지했다. 실제 데이터 적용으로는 인도 농촌 확산 네트워크(200명)와 트위터 팔로우 네트워크(약 300명)를 사용했다. 이들 데이터에서 경제적 연결성(저소득 개인의 고소득 친구 비율)과 언어 연결성(비영어 사용자의 영어 사용 친구 비율)을 추정했으며, 프라이버시 파라미터 ε=1~2 범위에서도 기존 연구와 유사한 평균값을 제공하면서도 개인의 속성이나 특정 엣지 존재 여부에 대한 정보 유출 위험을 수학적으로 제한했다. 논문 말미에서는 정책적·실무적 함의를 논의한다. 연구자는 코드와 재현 가능한 파이프라인을 GitHub에 공개했으며, 이는 사회과학자, 정책 입안자, 데이터 제공자가 차등 프라이버시를 손쉽게 적용하도록 돕는다. 또한, 노드 라벨 자체가 민감 정보(소득, 인종, 교육 수준)일 때도 엣지 정보와 동시에 보호할 수 있어, 기존 연구에서 간과되던 “속성‑구조 복합 비밀”을 포괄적으로 다룰 수 있다. 향후 연구 방향으로는 다중 라벨(다중 속성) 확장, 동적 네트워크에 대한 연속적 프라이버시 유지, 그리고 베이지안 사후 보정 기법과의 결합을 제시한다.