금융데이터의 성능 비교를 통한 연합학습 기법의 효용성 분석 = Utility Analysis of Federated Learning Techniques through Comparison of Financial Data Performance

다국어 초록 (Multilingual Abstract)

Current AI technology is improving the quality of life by using machine learning based on data. When using machine learning, transmitting distributed data and collecting it in one place goes through a de-identification process because there is a risk of privacy infringement. De-identification data causes information damage and omission, which degrades the performance of the machine learning process and complicates the preprocessing process. Accordingly, Google announced joint learning in 2016, a method of de-identifying data and learning without the process of collecting data into one server. This paper analyzed the effectiveness by comparing the difference between the learning performance of data that went through the de-identification process of K anonymity and differential privacy reproduction data using actual financial data. As a result of the experiment, the accuracy of original data learning was 79% for k=2, 76% for k=5, 52% for k=7, 50% for 𝜖=1, and 82% for 𝜖=0.1, and 86% for Federated learning.

참고문헌 (Reference)

1 전희주 ; 이현지 ; 연규필 ; 김동례, "통계모형의 정확도에 기반한 비식별화 데이터의 품질 측정" 한국콘텐츠학회 19 (19): 553-561, 2019

2 류영하 ; 정강수 ; 박석, "통계 배경 지식을 이용한 추론 공격에서 프라이버시를 지키는 익명화 기법" 한국정보과학회 17 (17): 195-199, 2011

3 강준영 ; 정수용 ; 홍도원 ; 서창호, "차분 프라이버시를 만족하는 안전한 GAN 기반 재현 데이터 생성 기술 연구" 한국정보보호학회 30 (30): 945-956, 2020

4 강주성 ; 강진영 ; 이옥연 ; 홍도원, "익명성 관련 측도에 기반한 데이터 프라이버시 확보 알고리즘에 관한 연구" 한국정보보호학회 21 (21): 149-160, 2011

5 정강수 ; 박석 ; 최대선, "온라인 상에 공개된 부분 익명화된 빅데이터의 프라이버시 침해 가능성 분석" 한국정보보호학회 28 (28): 665-679, 2018

6 김승환 ; 전성해, "오토인코더를 이용한 데이터 비식별화" 한국지능시스템학회 30 (30): 228-235, 2020

7 문혜정 ; 조현석, "빅 데이터 시대 위험기반의 정책 - 개인정보침해 사례를 중심으로 -" 한국지능정보사회진흥원 19 (19): 63-82, 2012

8 황치광 ; 최종원 ; 홍충선, "데이터 유용성 향상을 위한 서비스 기반의 안전한 익명화 기법 연구" 한국정보과학회 42 (42): 681-689, 2015

9 성민경 ; 정연돈, "데이터 스트림에서 프라이버시 보호를 위한 익명화 기법" 한국정보과학회 41 (41): 8-20, 2014

10 김정연 ; 박민정, "다중대체와 재현자료 작성" 한국통계학회 32 (32): 83-97, 2019

11 김현일 ; 박철희 ; 홍도원 ; 최대선, "금융 데이터 상에서의 차분 프라이버시 모델 정립 연구" 한국정보보호학회 27 (27): 1519-1534, 2017

12 LATANYA SWEENEY, "k-anonymity : a model for protecting privacy" 10 (10): 557-570, 2012

13 Neha Patki, "The Synthetic data vault" 399-410, 2016

14 Cynthia Dwork, "The Algorithmic Foundations of Differential Privacy" 9 (9): 211-407, 2014

15 Keith Bonawitz, "TOWARDS FEDERATED LEARNING AT SCALE: SYSTEM DESIGN" 2019

16 Narayanan, A, "Robustde-anonymization of larg sparsedatasets" 111-125, 2008

17 Surim Lee, "Raising Risk and Suggesting Solution about Personal Information De-identification in Big-Data Environment" 23 (23): 297-300, 2016

18 "LendingClub Statistics"

19 "Google AI, Federated learning"

20 Qiang Yang, "Federated Machine Learning: Concept and Applications" 10 (10): 12:1-12:19, 2019

21 Yue Zhao, "Federated Learning with Non-IID Data"

22 Xin Yao, "Federated Learning with Additional Mechanisms on Clients to Reduce Communication Costs"

23 Tian Li, "Federated Learning : Challenges, methods, and future directions" 37 (37): 50-60, 2020

24 Jakub Konecny, "FEDERATED LEARNING:STRATEGIES FOR IMPROVING COMMUNICATION EFFICIENCY"

25 Andrew Hard, "FEDERATED LEARNING FOR MOBILE KEYBOARD PREDICTION"

26 Taewhan Kim, "Differentially Private Synthetic Data Generation Methods for Online Community Data" 209-211, 2018

27 Bowen, C. M., "Comparativestudy of differentially private datasynthesis methods"

28 H. Brendan, "Communication-Efficient Learning of Deep Networks from Decentralized Data" 54 : 1273-1282, 2017

29 Cynthia Dwork, "Calibrating Noise to Sensitivity in Private Data Analysis" 2006

30 DongHyun Kang, "A Study on the Preservation of Similarity of privated Data" 285-288, 2017