[論文レビュー] Privacy-preserving Targeted Advertising

Theja Tulabandhula, Shailesh Vaya+1 more|arXiv (Cornell University)|Oct 9, 2017

Privacy-Preserving Technologies in Data参考文献 43被引用数 7

ひとこと要約

この論文では、ユーザーのプロファイルをクライアントデバイスに保存するように移行し、関連規則（ARs）を用いて効率的で安全なターゲティング広告を可能にするプライバシー保護型レコメンデーションシステムを提案する。サーバーで事前にARを計算し、オーラクルストラクチャ（oblivious transfer）のような暗号プロトコルを用いることで、クライアントは自身のプロファイルを露呈せずに関連するレコメンデーションを安全に照会でき、プライバシーのオーバーヘッドがあるにもかかわらず低遅延で実用的な性能を達成する。

ABSTRACT

Recommendation systems form the center piece of a rapidly growing trillion dollar online advertisement industry. Even with numerous optimizations and approximations, collaborative filtering (CF) based approaches require real-time computations involving very large vectors. Curating and storing such related profile information vectors on web portals seriously breaches the user's privacy. Modifying such systems to achieve private recommendations further requires communication of long encrypted vectors, making the whole process inefficient. We present a more efficient recommendation system alternative, in which user profiles are maintained entirely on their device, and appropriate recommendations are fetched from web portals in an efficient privacy preserving manner. We base this approach on association rules.

研究の動機と目的

• ターゲティング広告におけるCookieによる集中型ユーザー分析が引き起こすプライバシー侵害を是正すること。
• ユーザーのプロファイルをデバイス上に保持しつつ、安全で効率的なサーバー側のレコメンデーションを可能にするレコメンデーションシステムを設計すること。
• 協調フィルタリングと比較して、プライベートレコメンデーションシステムにおける通信および計算のオーバーヘッドを低減すること。
• ユーザーに依存しない関連規則を用いることで、動的なユーザー行動や一貫性のないフィードバックに対しても耐性を確保すること。
• 実世界の電子商取引環境への展開を想定した、実用的でスケーラブルかつプライバシー保護型のプロトコルを開発すること。

提案手法

• サーバーで過去の取引データから抽出された関連規則を用い、'ユーザーがアイテムpを購入すると、qも購入する可能性が高くなる'といったパターンを表現する。
• クライアント側のプロファイル（取引履歴）は機密性を保ち、平文で送信されない。代わりに暗号化された識別子を用いて一致する規則を照会する。
• オーラクルストラクチャを用いることで、サーバーから関連する関連規則を安全に取得でき、どの規則が照会されたかを露呈せずに済む。
• 局所性に敏感なハッシュ（locality-sensitive hashing）を活用した新規の近似照会アルゴリズム、Approx-GSCS-Queryを提案し、通信および計算コストを削減しながら高い正確性を維持する。
• 正確な照会と近似照会の両方をサポートし、暗号化プリミティブと信頼度重みに基づく規則のサブサンプリングによりプライバシーを確保する。
• 実世界のデータセット（AccidentsおよびRetail）を用いて評価し、プライバシー制約下での遅延とレコメンデーション正確性を測定する。

実験結果

リサーチクエスチョン

• RQ1 ユーザーのプロファイルがクライントデバイス上に留まる一方で、プライベートかつ効率的なサーバー側のレコメンデーションを可能にするレコメンデーションシステムを設計できるか？
• RQ2 関連規則を用いることで、通信および計算のオーバーヘッドを低減するプライバシー保護型レコメンデーションシステムにおいて、協調フィルタリングを代替できるか？
• RQ3 どのような暗号プロトコルが、クライアントが自身のプロファイルやサーバーの規則データベースを露呈せずに、関連する規則のみを安全に取得できるか？
• RQ4 実世界の電子商取引環境において、データベースサイズや照会の複雑さがプライベート照会プロトコルの性能に与える影響はどの程度か？
• RQ5 近似照会技術を用いることで、プライベートレコメンデーションシステムにおける遅延を低減しつつ、レコメンデーション正確性をどの程度維持できるか？

主な発見

• オーラクルストラクチャを用いたプライベート照会プロトコルは、10,000件の規則を含むデータベースに対して、中央値で約27〜28秒の処理時間を達成しており、マルチサーバー環境でも実用的である。
• 1024ビットのRSAモジュラスを用いた場合、20件の照会サイズで10,000件の規則データベースから関連する規則をプライベートに取得する中央値処理時間は266.9秒であるが、複数サーバーでの並列処理により依然として実現可能である。
• Approx-GSCS-Queryアルゴリズムは、16ビットおよび32ビットのハッシュ長で100%の正確性を達成するが、10ビットのハッシュでは衝突が増加するため68〜72%の正確性に低下する。
• 信頼度重みに基づく規則のサブサンプリングにより、通信および計算コストを顕著に削減しながらも、高いレコメンデーション正確性（k ≥ 16で100%）を維持する。
• プライバシー保護型プロトコルが引き起こす遅延のオーバーヘッドは、複数サーバーに分散することで管理可能であり、非プライベート処理時間と同等の性能を示し、実世界への展開を可能にする。
• 本手法は、ユーザー固有のフィードバックや動的なプロファイル更新に依存しないため、協調フィルタリングに比べてプライバシーおよび耐性面で優れている。