Shuffling-Aware Optimization for Private Vector Mean Estimation

요약

본 논문은 단일 메시지 셔플 모델에서 편향 없는 벡터 평균 추정 문제를 다룹니다. 분석가가 관찰할 수 있는 데이터가 셔플된 다중 집합으로 제한되는 상황에서, 기존의 LDP 최적성 개념을 확장하여 새로운 '셔플 인덱스'를 도입했습니다. 이를 통해 셔플링이 적용된 후에도 최적인 메커니즘을 공식화하고, 고 프라이버시 영역에서 중앙 가우시안 메커니즘과 유사한 성능을 달성하는 근사적 최적 알고리즘을 제안합니다.

핵심 포인트

• 단일 메시지 셔플 모델(single-message shuffle model)에서의 편향 없는 평균 추정 문제를 다룸.
• LDP 환경에서 셔플링이 적용될 경우, 기존의 최적 메커니즘이 비최적이 될 수 있음을 보임.
• 새로운 '셔플 인덱스'를 도입하여 셔플링 이후의 최적화 문제를 명시적으로 공식화함.
• 고 프라이버시 영역에서 중앙 가우시안 메커니즘과 유사한 성능을 갖는 근사적인 미니맥스 최적 알고리즘을 제시함.