[論文レビュー] On the (Im)possibility of Preserving Utility and Privacy in Personalized Social Recommendations

Ashwin Machanavajjhala, Aleksandra Korolova+1 more|arXiv (Cornell University)|Apr 30, 2010

Privacy-Preserving Technologies in Data参考文献 22被引用数 5

ひとこと要約

この論文は、社会的推薦システムにおける有用性と微分プライバシーの根本的トレードオフを調査し、強いプライバシー保証が推薦の正確性を著しく制限することを証明している。微分プライバシーを満たすアルゴリズムを提案し、理論的下界を確立することで、正確なプライベートな推薦は非常に制限的な条件下、たとえばユーザー数が少ない場合やプライバシーパラメータがゆるい場合にのみ可能であることを示している。

ABSTRACT

With the recent surge of social networks like Facebook, new forms of recommendations have become possible -- personalized recommendations of ads, content, and even new social and product connections based on one's social interactions. In this paper, we study whether "social recommendations", or recommendations that utilize a user's social network, can be made without disclosing sensitive links between users. More precisely, we quantify the loss in utility when existing recommendation algorithms are modified to satisfy a strong notion of privacy called differential privacy. We propose lower bounds on the minimum loss in utility for any recommendation algorithm that is differentially private. We also propose two recommendation algorithms that satisfy differential privacy, analyze their performance in comparison to the lower bound, both analytically and experimentally, and show that good private social recommendations are feasible only for a few users in the social network or for a lenient setting of privacy parameters.

研究の動機と目的

• 個人にカスタマイズされた社会的推薦が、高い有用性を維持しながら強力なプライバシー保証を達成できるかどうかを調査すること。
• 社会的ネットワークに微分プライバシーを適用した際の推薦正確性の最小損失を定量化すること。
• 実用的な有用性とプライバシーのバランスをとる微分プライバシー推薦アルゴリズムを設計すること。
• 動的グラフや未知の有用性ベクトルといった現実的な制約下でのプライベートな社会的推薦の実現可能性を分析すること。
• 非単調な有用性関数や代替のプライバシー定義へのモデルの一般化を検討すること。

提案手法

• 感受性のあるエッジを伴うグラフベースの推薦問題として社会的推薦をモデル化する理論的枠組みを提案する。
• 微分プライバシーを形式的なプライバシー保証として採用し、特定のエッジの有無に応じた推薦確率の比でプライバシーを測定する。
• エッジの感度と有用性ベクトルの構造に基づいて、情報理論的議論を用いて有用性損失の理論的下界を導出する。
• 2種類の微分プライバシー推薦アルゴリズムを設計：1つは指数機構に基づくもの、もう1つはサンプリングと線形スムージングを用いて有用性を保持するもの。
• 解析的および実験的両面で性能を分析し、アルゴリズムの正確性を理論的下界と比較する。
• 入力グラフを推薦サンプリングの前に変更することでプライバシーを強化するための摂動ベースの手法を導入する。

実験結果

リサーチクエスチョン

• RQ1 社会的ネットワークに微分プライバシーを適用した際の推薦正確性の根本的限界は何か？
• RQ2 微分プライバシーを社会的推薦アルゴリズムに適用した際、どれほどの有用性が失われるか？
• RQ3 微分プライバシー推薦アルゴリズムは、現実の社会的ネットワーク環境で十分な正確性を達成できるか？
• RQ4 有用性ベクトルが未知または動的に変化する場合、プライバシー-有用性トレードオフはどのように変化するか？
• RQ5 プライバシー定義を緩和（例：(ϵ,δ)-微分プライバシーに）した場合、推薦正確性にどのような影響があるか？

主な発見

• 理論的下界を確立し、強い微分プライバシーが推薦正確性に根本的な制限を課すことを証明した。
• 実験的評価により、指数機構に基づくアルゴリズムが、特に次数が低いノードでは理論的下界に非常に近い正確性を達成した。
• プライバシーパラメータϵ = 0.5の場合、ノード次数が増加するにつれてプライベートな推薦の正確性が著しく低下し、スケーラビリティに問題があることが示された。
• 提案されたサンプリングと線形スムージング法（AS(x)）は、ln(1 + nx/(1−x))-微分プライバシーを保証し、元のアルゴリズムのxγの近似を維持する。
• 結果から、良いプライベートな社会的推薦は、ユーザー数が少ない場合や非常にゆるいプライバシーパラメータ下でのみ実現可能であることが示された。
• 非単調な有用性関数への一般化は可能であるが、エッジの変更回数（t）が増加するため、より大きな有用性損失を伴う。