[論文レビュー] Link Prediction by De-anonymization: How We Won the Kaggle Social Network Challenge

Arvind Narayanan, Elaine Shi+1 more|arXiv (Cornell University)|Feb 22, 2011

Privacy-Preserving Technologies in Data参考文献 22被引用数 25

ひとこと要約

この論文は、IJCNN 2011 ソーシャルネットワークチャレンジで優勝した、匿名化されたユーザーを再識別するデアノニマイゼーションベースのアプローチを提示している。研究では、個人のFlickrクロールデータを活用して、コンテストのテストセットに含まれる匿名化済みユーザーを再識別した。重み付きグラフマッチングのためのシミュレーテッドアニーリングを用いて64.7%のテストエッジをデアノニマイズし、デアノニマイズ済みデータと元の訓練データの両方を用いてランダムフォレスト分類器を訓練することで、テストAUCが0.981に達した。これは、機械学習コンテストに勝つためにデアノニマイゼーションとリンク予測を融合する新しい手法を示している。

ABSTRACT

This paper describes the winning entry to the IJCNN 2011 Social Network Challenge run by Kaggle.com. The goal of the contest was to promote research on real-world link prediction, and the dataset was a graph obtained by crawling the popular Flickr social photo sharing website, with user identities scrubbed. By de-anonymizing much of the competition test set using our own Flickr crawl, we were able to effectively game the competition. Our attack represents a new application of de-anonymization to gaming machine learning contests, suggesting changes in how future competitions should be run. We introduce a new simulated annealing-based weighted graph matching algorithm for the seeding step of de-anonymization. We also show how to combine de-anonymization with link prediction---the latter is required to achieve good performance on the portion of the test set not de-anonymized---for example by training the predictor on the de-anonymized portion of the test set, and combining probabilistic predictions from de-anonymization and link prediction.

研究の動機と目的

• 匿名化されたソーシャルネットワークデータのデアノニマイゼーションが、機械学習コンテストにおいて不正な優位性をもたらす可能性があるかどうかを調査すること。
• 構造的類似性と公開クロールからの補助データを用いて、部分的なソーシャルネットワークスナップショットのデアノニマイゼーションを効果的に行う手法を開発すること。
• デアノニマイゼーションと標準的なリンク予測手法を組み合わせることで、リンク予測ベンチマークにおける性能が顕著に向上することを示すこと。
• 匿名化データセットの実世界のコンテストにおける脆弱性を強調し、より良いプライバシー保護型データ公開手法の導入を提言すること。

提案手法

• デアノニマイゼーションのシード特定フェーズにおいて、重み付きグラフマッチング問題を解くためのシミュレーテッドアニーリングベースのアルゴリズムを提案した。
• シード特定を組合せ最適化問題として定式化し、コンテストのグラフと個人のFlickrクロール間のノード対応をモデル化した。
• 部分的および完全なネットワークスナップショット間で構造的に安定した高インデグリュのノードをシードとして使用した。
• デアノニマイズ済みデータとリンク予測の確率的予測を統合し、訓練セットにデアノニマイズ済みのテストエッジを追加した。
• 元の訓練データに加え、テストセットのデアノニマイズ済み部分を用いて、標準的なリンク予測特徴量に基づいたランダムフォレスト分類器を訓練した。
• 最終モデルを全テストセットに対して評価し、デアノニマイズとリンク予測の両コンponentの予測を統合した。

実験結果

リサーチクエスチョン

• RQ1 同じプラットフォームからの補助データを用いて、現実世界のソーシャルネットワークの部分的クロールを効果的にデアノニマイズできるか？
• RQ2 標準的な機械学習モデルと組み合わせた場合、デアノニマイゼーションがリンク予測コンテストの性能にどの程度向上効果をもたらすか？
• RQ3 インデグリュ分布のような構造的特徴を活用することで、スケーラブルかつ正確なデアノニマイゼーション手法を設計可能か？
• RQ4 コンテスト環境において予測性能を最大化するために、デアノニマイゼーションとリンク予測をどのように共同最適化できるか？
• RQ5 デアノニマイゼーションの影響は、公正でプライバシー保護型の機械学習コンテストの設計にどのような意味を持つのか？

主な発見

• 研究者たちは、自らのFlickrクロールとシミュレーテッドアニーリングベースのグラフマッチングアルゴリズムを用いて、テストセットの64.7%のエッジを成功裏にデアノニマイズした。
• デアノニマイゼーションとリンク予測を統合したアプローチにより、テストにおけるAUC（曲線下面積）が0.981に達し、Kaggleソーシャルネットワークチャレンジで1位を獲得した。
• 高インデグリュのノードをシードとして使用したことで、デアノニマイゼーションプロセスの正確性とスケーラビリティが顕著に向上した。
• テストセットのデアノニマイズ済み部分を用いてリンク予測器を訓練することで、顕著な性能向上が得られ、部分的に露呈したデータの価値を示した。
• 結果から、現在のコンテストルールとデータ匿名化手法では、デアノニマイゼーションによる不正利用を完全に防げないことが明らかになった。
• 本研究は、今後のデータ公開において、微分プライバシーのようなより強固なプライバシー保護メカニズムの導入が不可欠であることを強調している。