[論文レビュー] Exploiting Data Sparsity in Secure Cross-Platform Social Recommendation

Jamie Cui, Chaochao Chen+3 more|arXiv (Cornell University)|Feb 15, 2022

Stochastic Gradient Optimization Techniques被引用数 15

ひとこと要約

本論文は、データスパarsityを軽減しながらユーザーのプライバシーを保護するため、加法的同型暗号（HE）およびプライベート情報検索（PIR）を活用した、セキュアなクロスプラットフォームソーシャルレコメンデーションシステムを提案する。ユーザーとアイテムの相互作用を暗号化し、暗号化された行列上でプライベートなクエリを可能にすることで、プラットフォームが生データを暴露せずに協力的にアイテムを推薦できる。強固なセキュリティ保証のもとで、効率的かつプライベートなクロスプラットフォームレコメンデーションを実現する。

ABSTRACT

Social recommendation has shown promising improvements over traditional systems since it leverages social correlation data as an additional input. Most existing work assumes that all data are available to the recommendation platform. However, in practice, user-item interaction data (e.g.,rating) and user-user social data are usually generated by different platforms, and both of which contain sensitive information. Therefore, "How to perform secure and efficient social recommendation across different platforms, where the data are highly-sparse in nature" remains an important challenge. In this work, we bring secure computation techniques into social recommendation, and propose S3Rec, a sparsity-aware secure cross-platform social recommendation framework. As a result, our model can not only improve the recommendation performance of the rating platform by incorporating the sparse social data on the social platform, but also protect data privacy of both platforms. Moreover, to further improve model training efficiency, we propose two secure sparse matrix multiplication protocols based on homomorphic encryption and private information retrieval. Our experiments on two benchmark datasets demonstrate the effectiveness of S3Rec.

研究の動機と目的

• ユーザーのデータが複数のプラットフォームに分散しているクロスプラットフォームソーシャルレコメンデーションシステムにおけるデータスパarsityを解消すること。
• 生のユーザー・アイテム相互作用データを暴露せずに、プラットフォーム間でのセキュアな協力を可能にすること。
• 推薦計算中に、片方のプラットフォームが他方の機密データを学習しないように、ユーザーのプライバシーを保護すること。
• PIRと同型暗号を用いて、暗号化されたユーザー・アイテム行列に対するプライベートなクエリをサポートする効率的なプロトコルを設計すること。
• 強固な暗号的セキュリティ仮定のもとで、セキュアなクロスプラットフォームレコメンデーションにおいて実用的なパフォーマンスを達成すること。

提案手法

• システムは加法的HE鍵ペア（pk, sk）を生成し、pkをP₀からP₁に共有することで、暗号化されたデータの送信を可能にする。
• ユーザー・アイテム相互作用x_i,jはHEを用いて暗号化され、暗号化行列Eが形成される。ここで、e_i,j = Enc(pk, x_i,j) である。
• P₁は、Eから特定の暗号化エントリを取得するため、q_i,j = PIR.Query(i + jk) をP₀に送信する。
• P₀は、r_i,j = PIR.Response(E, q_i,j) を返信し、P₁に送信する。
• P₁は、PIR.Extract(r_i,j) を用いて応答を復号し、元のe_i,j値を回復し、Tに格納する。
• プロトコルは、P₀がP₁のクエリを一切学習しないこと、P₁が要求されたエントリ以外のP₀のデータを学習しないことを保証する。

実験結果

リサーチクエスチョン

• RQ1 クロスプラットフォームソーシャルレコメンデーションにおけるデータスパarsityは、どのようにしてユーザーのプライバシーを保護しながら軽減できるか？
• RQ2 どのような暗号的プリミティブを組み合わせることで、推薦のためのセキュアかつ効率的なクロスプラットフォームデータ共有を実現できるか？
• RQ3 PIRと加法的HEを効果的に統合することで、暗号化されたユーザー・アイテム行列に対するプライベートアクセスを実現できるか？
• RQ4 実世界のレコメンデーション環境においてPIRとHEを使用した場合のパフォーマンスオーバーヘッドはどの程度か？
• RQ5 推薦プロセス中に、プラットフォームが意図しない情報以上を学習しないように、システムはどのようにして保証できるか？

主な発見

• 提案されたプロトコルは、加法的HEとPIRを活用することで、ユーザーのデータを保護しつつ、セキュアなクロスプラットフォームソーシャルレコメンデーションを実現した。
• システムは、P₁が要求された暗号化エントリのみを学習し、P₀がクエリの内容を一切学習しないことを保証する。
• PIRの使用により、暗号化された行列Eへのアクセスがプライベートに実現され、アクセスパターンが露呈しない。
• プロトコルはデータ機密性を維持し、プラットフォーム間で機微なユーザー相互作用が漏洩するのを防ぐ。
• HEとPIRの統合により、スパースなユーザー・アイテム行列上で効率的かつ安全に計算が可能となり、データスパarsity問題が緩和された。
• HEおよびPIRの標準的仮定のもとで強いセキュリティ保証が達成されており、クロスプラットフォーム協働におけるプライバシーが確保されている。