Privacy Preserving Machine Learning under Differential Privacy :

Kijung Jung

자료유형: 학위논문

저자정보: Kijung Jung (고려대학교, 고려대학교 대학원)

지도교수: 정연돈

발행연도: 2024

저작권: 고려대학교 논문은 저작권에 의해 보호받습니다.

이용수7

초록· 키워드

현대 시대는 다양한 데이터가 생성되고 이를 활용하고 있다. 특히, 스마트 기기의 보급에 따라 대량의 개인 데이터가 생성되고 있다. 개인의 데이터를 그대로 활용할 경우 프라이버시 침해가 발생할 수 있다. 이에 따라 데이터를 수집하고 활용하는 과정에서 적절한 프라이버시 보호 조치가 필요하다. 차분 프라이버시는 통계적으로 안전함을 보장하는 가장 강력한 프라이버시 모델 중 하나로 차분 프라이버시와 지역 차분 프라이버시 등의 변형이 프라이버시 보호를 위해 널리 사용되고 있다. 과거에는 데이터를 직접 분석 및 활용했지만 최근에는 기계 학습이 다양한 분야에서 뛰어난 성능을 보이고 있기 때문에 데이터를 기계 학습의 학습 데이터로 이용하는 경우가 많다. 기계 학습 과정에서 개인의 민감한 정보가 학습 데이터로 활용될 수 있기 때문에 프라이버시 보호 조치가 필요하다. 본 논문에서는 기계 학습에 개인의 데이터를 활용할 때 차분 프라이버시 및 그의 변형을 적용한 프라이버시 보호 기계 학습 방법을 제안한다.
첫 번째로 지역 차분 프라이버시를 만족하는 시계열 위치 데이터의 수집 및 분석 방법을 제안한다. 데이터 수집 과정에서는 개인의 위치를 비트 배열로 표현한 후, 각 배열의 비트를 확률 기반 응답을 이용하여 지역 차분 프라이버시를 만족하도록 변조한다. 데이터 분석 과정에서는 은닉 마르코프 모델을 이용하여 분석을 진행한다. 제안 기법은 기존의 지역 차분 프라이버시 기반 위치 분석 기법 대비 위치 분포 분석에서 더 높은 정확도를 보이며, 시공간 상관 관계 분석이 가능하다.
다음으로, 차분 프라이버시를 만족하는 딥러닝에 적합한 활성화 함수를 제안한다. 딥러닝에 차분 프라이버시를 적용하려면 그래디언트의 최대 크기를 제한해야 한다. 이 때 활성화 함수로 tanh나 시그모이드와 같은 최댓값과 최솟값이 정해진 함수를 이용하면 그래디언트의 크기를 제한할 수 있지만 학습 성능이 ReLU와 같은 함수에 비해 떨어지는 문제가 있다. 본 논문에서 제안하는 활성화 함수 Bounded Exponential Linear Unit(BELU)는 활성화 함수의 최댓값과 최솟값을 제한하여 인위적으로 그래디언트의 크기를 제한하지 않아도 되며, 기존 활성화 함수를 이용했을 때보다 뛰어난 학습 성능을 보인다.
마지막으로, 지역 차분 프라이버시를 만족하는 연합 학습 프레임워크를 제안한다. 연합 학습은 학습 데이터가 여러 기기에 분산되어 있을 때 적합한 기계 학습 모델이다. 연합 학습에 지역 차분 프라이버시를 적용하기 위해서 모바일 기기 사용자의 제한된 자원과 여러 학습 결과의 비동기적 수집을 고려해야 한다. 본 논문은 위 문제를 고려한 지역 차분 프라이버시를 만족하는 연합 학습 프레임워크를 제안한다. 프레임워크는 지역 차분 프라이버시 적용과 효율적으로 자원을 사용하는 연합 학습 방법과 지역 차분 프라이버시에 적합한 비동기 연합 학습 방법으로 구성된다. 첫 번째 구성 요소는 다이렉트 피드백 얼라인먼트와 레이어 샘플링을 이용하여 클라이언트의 학습을 진행한다. 이를 통하여 클라이언트의 통신 및 연산 비용을 효과적으로 절약할 수 있다. 두 번째 구성요소는 클라이언트 모델 학습과 그래디언트 리밸런싱을 통해 비동기 연합 학습을 진행한다. 해당 요소를 적용하여 지역 차분 프라이버시에 적합한 비동기 연합 학습이 가능하며, 클라이언트 모델 학습 과정에서 발생하는 서버 모델과의 오차를 그래디언트 리밸런싱을 통해 최소화하여 학습 성능을 향상시킨다.

In the modern era, large amounts of various data are generated and utilized. In particular, the proliferation of smart devices is generating a large amount of personal data. If personal data is utilized as it is, privacy may be breached. Therefore, it is necessary to take appropriate privacy protection measures in the process of collecting and utilizing data. Differential privacy is one of the strongest privacy models that guarantees statistical guarantee. Differential privacy and its variants, such as local differential privacy and Renyi differential privacy, are widely used to protect privacy.
In the past, data were analyzed and utilized directly. However, as machine learning has shown excellent performance in various fields recently, the data are often utilized as training data for machine learning. In this thesis, we propose three privacy preserving machine learning methods that apply differential privacy and its variants when utilizing personal data for machine learning.
First, we propose a method for collecting and analyzing time series location data that satisfies local differential privacy. In the data collection process, we represent an individual''s location as an array of bits, and then modulate the bits in each array using Randomized Response. In the data analysis process, the Hidden Markov Model is used to analyze the collected data by the collection process. This technique has the advantage of enabling spatio-temporal correlation analysis compared to existing local differential privacy-based location analysis techniques.
Next, we propose a novel activation function for deep learning that satisfies differential privacy. To apply differential privacy to deep learning, we need to limit the maximum norm size of the gradients. Using bounded functions such as $tanh$ or sigmoid as an activation function can limit the size of the gradient. However, the performance may be worse than utilizing other functions such as ReLU and its variants. The proposed activation function, Bounded Exponential Linear Unit (BELU) is a bounded activation function that performs better than ReLU in the differentailly private deep learning.
Finally, we propose a framework for local-differentially private federated learning. Federated learning is an applicable approach for training machine learning models with distributed data. To apply local differential privacy in federated learning, we need to consider the limited resources of mobile clients and the asynchroncity of federated learning. In the thesis, we propose a framework, LAFD: Local-differentially Private and Asynchronous Federated Learning with Direct Feedback Alignment, that considers the above issues. LAFD consists of two parts: (a) LFL-DFALS: Local-differentially private Federated Learning with Direct Feedback Alignment and Layer Sampling and (b) AFL-LMTGR: Asynchronous Federated Learning with Local Model Training and Gradient Rebalancing. LFL-DFALS can effectively save communication and computation costs through direct feedback alignment and layer sampling, and AFL-LMTGR can solve the straggler problem through local model training and gradient rebalancing.
To demonstrate the performance of the proposed methods in each chapter, we compare the performance of the proposed methods with those of the existing methods.

#Data Privacy #Differential Privacy #Local Differential Privacy #Hidden Markov Model #Activation Function #Deep Learning #Federated Learning

Contents viii
List of Figures xi
List of Tables xiv
1 Introduction 1
1.1 Introduction to Data Privacy . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Syntactic Privacy Models and Their Limitations . . . . . . . . . . 3
1.1.2 Differential Privacy . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Contributions of the Thesis . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Organization of the Thesis . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Part I: Trajectory data analysis under local differential privacy 15
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Preliminaries and Related work . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1 Differentail Privacy and Local Differential Privacy . . . . . . . . . 19
2.2.2 Hidden Markov Model(HMM) . . . . . . . . . . . . . . . . . . . . . 21
2.2.3 Data Correlation and Differential Privacy . . . . . . . . . . . . . . 23
2.3 The Proposed Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.1 Problem Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.2 Client Side . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.3 Server Side . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 Performance Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.1 Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.2 Experimental results . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3 Part II: An activation function for differentially private deep learning 43
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.1 R ́enyi Differential Privacy (RDP) . . . . . . . . . . . . . . . . . . . 45
3.2.2 DP-SGD and Gradient Clipping . . . . . . . . . . . . . . . . . . . 47
3.3 The proposed method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.1 Bounded activation function (BELU) . . . . . . . . . . . . . . . . . 48
3.3.2 Differentially private stochastic gradient descent with BELU . . . 50
3.4 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 Part III: Federated learning with local differential privacy 58
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2.1 Local Differential Privacy (LDP) . . . . . . . . . . . . . . . . . . . 63
4.2.2 Direct Feedback Alignment (DFA) . . . . . . . . . . . . . . . . . . 65
4.2.3 Federated Learning (FL) . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.4 The proposed method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4.2 LFL-DFALS: Local-differentially private Federated learning with Direct Feedback Alignment and Layer Sampling . . . . . . . . . . 74
4.4.3 AFL-LMTGR: Asynchronous Federated Learning with Local Model Training and Gradient Rebalancing . . . . . . . . . . . . . . . . . . 81
4.5 Performance Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5.1 Efficiency of direct feedback alignment and layer sampling . . . . . 89
4.5.2 Experiments on varying communication probability . . . . . . . . . 91
4.5.3 Experiments on varying the number of clients . . . . . . . . . . . . 93
4.5.4 Experiments on varying ε . . . . . . . . . . . . . . . . . . . . . . 94
4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5 Conclusion 107
References 111

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)