상관관계와 다양성을 고려한 속성별 민감도 기반 차등 프라이버시 기법 = Correlation-and Diversity-Aware Attribute Sensitivity-Based Differential Privacy

국문 초록 (Abstract)

인공지능 기술의 확산과 함께 딥러닝(Deep Learning) 활용이 증가함에 따라, 모델 학습을 위한 데이터의 수집 및 활용이 확대되고 있다. 그러나수집된 데이터에는 개인정보가 포함될 수 있어서, 정보 유출에 대한 우려가 지속적으로 제기되고 있다. 종래의 모델 기여도 기반 속성 중요도를활용한 차등 프라이버시 기법은 모델 성능을 일정 수준 유지할 수 있으나, 속성 간 상관관계를 충분히 고려하지 못해서 모델 출력으로부터 민감정보가 유출될 가능성이 존재한다는 한계를 가진다. 본 논문에서는 속성의 정보 다양성과 속성 간 상관관계를 동시에 반영하여 직접적 민감도와간접적 정보 유출 가능성을 정량화하는 방법을 제안한다. 이를 기반으로 각 속성에 차등적으로 노이즈를 주입하는 새로운 차등 프라이버시 기법을 설계한다. 실험 결과에 따르면, 제안 모델은 종래모델 대비 속성 추론 공격에서 18.80%, 멤버십 추론 공격에서 3.55%의 프라이버시-유틸리티trade-off 개선을 보였다.

다국어 초록 (Multilingual Abstract)

With the rapid advancement of artificial intelligence (AI) and deep learning, the collection and utilization of data for model trainingare expanding. However, since the collected data may contain personal information, concerns about data leakage persist. Conventionaldifferential privacy techniques based on model contribution-based attribute importance can maintain a certain level of model performance;however, they do not sufficiently consider correlations between attributes, which may lead to sensitive information leakage from modeloutputs. In this paper, we propose a method that simultaneously captures the information diversity of attributes and their inter-attributecorrelations to quantify both direct sensitivity and the potential for indirect information leakage. Based on this, we design a novel differentialprivacy mechanism that injects noise adaptively for each attribute. Experimental results demonstrate that the proposed method achievesan 18.80% improvement in the privacy–utility trade-off for attribute inference attacks and a 3.55% improvement for membership inferenceattacks compared to conventional methods.