[論文レビュー] Partially Synthetic Data for Recommender Systems: Prediction Performance and Preference Hiding

Manel Slokom, Martha A. Larson+1 more|arXiv (Cornell University)|Aug 9, 2020

Privacy-Preserving Technologies in Data参考文献 24被引用数 7

ひとこと要約

本稿では、推薦システムにおける相対的アルゴリズム性能を保ちながらも、好きな監督、俳優、著者などの特定のユーザーの好み属性を隠す部分的合成データ生成手法を提案する。CARTに基づく補完を用いることで、属性漏洩を64–77%低減しつつ、アルゴリズムのテストに必要な有用性を損なわない。

ABSTRACT

This paper demonstrates the potential of statistical disclosure control for protecting the data used to train recommender systems. Specifically, we use a synthetic data generation approach to hide specific information in the user-item matrix. We apply a transformation to the original data that changes some values, but leaves others the same. The result is a partially synthetic data set that can be used for recommendation but contains less specific information about individual user preferences. Synthetic data has the potential to be useful for companies, who are interested in releasing data to allow outside parties to develop new recommender algorithms, i.e., in the case of a recommender system challenge, and also reducing the risks associated with data misappropriation. Our experiments run a set of recommender system algorithms on our partially synthetic data sets as well as on the original data. The results show that the relative performance of the algorithms on the partially synthetic data reflects the relative performance on the original data. Further analysis demonstrates that properties of the original data are preserved under synthesis, but that for certain examples of attributes accessible in the original data are hidden in the synthesized data.

研究の動機と目的

• Facebookのデータ悪用事例など、高名度のデータ悪用事例を受けて、推薦システム研究におけるプライバシー懸念が高まる中、これを解決すること。
• データの摂動が加えられても、推薦アルゴリズムの相対的性能順位を合成データが保持できるかどうかを検討すること。
• 特定のユーザーの好み属性（例：好きな監督や著者）が、推薦の有用性を損なわせることなく、合成データ上で効果的に隠蔽できるかどうかを評価すること。
• 部分的合成データが、アルゴリズムのベンチマークやチャレンジにおいて実データの代替として実用的であるという概念実証を提供すること。
• 一時的な対策や匿名化に基づく手法を越えて、脅威モデルに裏付けられた体系的かつ包括的な推薦システムにおけるデータプライバシー保護のアプローチを確立すること。

提案手法

• 本手法は、CART（分類および回帰木）を用いて、ユーザー・アイテム行列の一部の値を補完することで、部分的合成データを生成する。
• 合成データは、ユーザーおよびアイテムの特徴に基づいて、元の評価の一部を補完値に置き換えることで作成され、元のデータと構造的類似性を保つ。
• 好みの属性（例：好きな監督、俳優、著者）は、高評価のアイテム（評価4以上）から導出され、元のデータと合成データで比較され、漏洩リスクの評価が行われる。
• 本手法は評価値をカテゴリカルデータとして扱い、未評価のアイテムに対しては評価値を生成しない。代わりに、既存の評価値を摂動させることで、機微な属性を隠蔽することを目的とする。
• 本手法は、MovieLensおよびGoodbooksデータセット上で評価され、アルゴリズムの順位一貫性と属性漏洩率を指標として性能を測定する。
• 漏洩制御は、元のデータと合成データにおけるユーザーの好きな属性が異なる割合を計算することで評価される。

実験結果

リサーチクエスチョン

• RQ1 部分的合成データは、元のデータと比較して、推薦システムアルゴリズムの相対的性能順位を保持できるか？
• RQ2 特定のユーザーの好み属性（例：好きな監督や著者）を、推薦の有用性を損なわせることなく、合成データ上でどれほど効果的に隠蔽できるか？
• RQ3 個々の評価値は、元のデータと合成データでどの程度変化するか。また、これはトレーニングおよびテストのためのデータ全体の有用性に影響を与えるか？
• RQ4 合成データを、公的推薦システムチャレンジにおけるプライバシー保護型代替手段として実用的か？
• RQ5 提案手法は、ユーザーの好みを保護するための、匿名化や微分プライバシーの代替として実用的か？

主な発見

• 部分的合成データ上での推薦アルゴリズムの相対的性能順位は、元のデータ上での順位と強く類似しており、予測的妥当性が顕著に裏付けられた。
• 64%のユーザーが、合成データ上での好きな監督が元のデータとは異なっており、この属性に対する漏洩制御が顕著に達成された。
• 77%のユーザーが、合成データ上での好きな俳優が元のデータとは異なっており、俳優の好み情報が効果的に隠蔽されたことが示された。
• Goodbooksデータセットでは72%のユーザーが、好きな著者が元のデータとは異なっており、著者好みが効果的に隠蔽されたことが確認された。
• 元のデータと合成データ間の平均絶対評価値の変化は、MovieLensで0.825、Goodbooksで1.034であり、個別レベルでの顕著な摂動が生じた。
• 顕著な評価値の変化にもかかわらず、合成データは十分な構造的および予測的性質を保持しており、意味のあるアルゴリズム評価を可能にした。