완전 동형 암호 (FHE)를 이용한 인과 구조 학습 시 데이터 프라이버시 보호

데이터 프라이버시를 보호하는 것은 구조적 데이터 관리 및 데이터 마이닝 (Data Mining) 분야에서 중요한 주제입니다. 그러나 분산 인과 구조 학습 (Distributed Causal Structure Learning)에서 프라이버시 유출 문제는, 특히 데이터 전송과 연산이 필요한 경우 지속적인 과제로 남아 있습니다. 본 논문에서는 암호화된 상태로 전송 및 연산을 수행하여 데이터를 암호화된 상태로 유지하는 완전 동형 암호 (Fully Homomorphic Encryption, FHE) 기반의 방법을 제안합니다. 그럼에도 불구하고, FHE에서의 높은 연산 비용과 나눗셈 및 로그 연산에 대한 제한적인 지원으로 인해 인과 구조 학습에 FHE를 채택하는 것은 매우 어렵습니다. 이러한 문제를 해결하기 위해, 우리는 다음과 같은 일련의 새로운 기술들을 제안합니다: (i) 효율성을 높이기 위한 회로 단순화 (Circuit Simplification), (ii) 뉴턴-랩슨 역수법 (Newton-Raphson Reciprocal) 및 테일러 전개 (Taylor Expansion)를 통한 나눗셈과 로그의 근사화, (iii) 전체 학습 프로세스를 향상시키기 위한 SIMD 가속을 이용한 배치 (Batching) 기술. 또한, 우리의 방법은 차분 프라이버시 (Differential Privacy)를 지원할 수 있는 이식성을 입증함으로써 FHE를 넘어 쉽게 확장될 수 있습니다. 실험 결과에 따르면, 우리의 방법은 테스트된 데이터셋에서 평문 (Plaintext) 버전과 비교했을 때 높은 일관성과 유사한 인과 구조를 달성함을 보여줍니다. 마지막으로, 우리의 방법은 FHE의 프라이버시 보호 하에서도 수십 분 내에 인과 구조 학습을 완료할 수 있을 만큼 효율적이고 실용적입니다.