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. …