분산 함수 데이터 분석의 최적 추정
본 연구는 함수 데이터 분석(FDA)에서 차등 프라이버시(DP) 보존 문제를 체계적으로 탐구한다. 함수 평균 추정부터 변동 계수 모델 추정까지 폭넓게 다루며, 여러 서버가 각각 희소하게 관측된 함수들을 수집하는 분산 학습 프레임워크를 제안한다. 이 계층적 구조는 복합적인 프라이버시 개념을 도입한다. 각 함수 내에서는 사용자 수준의 차등 프라이버시가 적용되며, 서버 수준에서는 중앙 집중식 데이터 수집을 고려하여 중앙 차등 프라이버시가 적용된다. 서버 간에는 연합 차등 프라이버시 제약 조건을 준수하며 오직 비공개 정보만이 교환된다. 이러한 복잡한 계층 구조를 해결하기 위해 미니맥스 이론을 활용하여 여러 근본적인 현상을 밝혀낸다. 희소 FDA부터 밀집 FDA까지, 사용자 수준부터 중앙 및 연합 차등 프라이버시 비용까지, 그리고 FDA의 다양한 체제와 프라이버시 보존 간의 복잡한 상호작용을 규명한다. 여러 프라이버시 제약 조건 하에서 함수 데이터 추정을 엄격하게 조사한 최초의 연구이며, 이론적 발견은 효율적인 비공개 알고리즘과 광범위한 수치적 증거로 보완된다. 이 연구는 도전적인 문제에 대한 포괄적인 탐구를 제공하며, 분산 환경에서 민감한 함수 데이터를 안전하게 분석하는 데 필요한 이론적 기반과 실용적 방법론을 제시한다. 이는 향후 관련 분야의 연구 및 응용에 중요한 기여를 할 것으로 기대된다.