Preserving Data Privacy in Learning Causal Structure with Fully Homomorphic Encryption

데이터 프라이버시 보존은 구조적 데이터 관리와 데이터 마이닝에서 중요한 주제다.

이 논문은 여러 곳에 나뉜 데이터를 공개하지 않고도 인과 구조를 학습하기 위해 완전 동형 암호를 사용한다. 데이터는 전송 중뿐 아니라 계산 중에도 암호문으로 남기 때문에 원본 값이 노출되지 않는다. 동형 암호가 나눗셈과 로그 연산을 직접 다루기 어렵고 느리다는 문제를 회로 단순화, 뉴턴-랩슨 역수 근사, 테일러 전개, 묶음 병렬 처리로 완화했다. 실험한 데이터셋에서는 평문 방식과 비슷한 인과 구조를 얻었고, 암호화 상태에서도 수십 분 안에 학습을 끝냈다. 다만 근사 연산과 암호 계산의 추가 비용이 있으므로 더 큰 데이터와 복잡한 구조에서의 확장성은 계속 확인해야 한다.

핵심 요약

• 이 논문은 암호문에 대해 계산을 수행하여 전송 및 연산 중에 데이터를 암호화된 상태로 유지하는, 완전 동형 암호(FHE) 기반 방법을 제안한다.
• 또한 이 방법은 차등 프라이버시를 지원하도록 이식 가능함을 보임으로써 FHE를 넘어 손쉽게 확장될 수 있다.
• 실험 결과는 이 방법이 테스트한 데이터셋에서 평문 버전과 높은 일관성 및 대등한 인과 구조를 달성함을 보여준다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.