[論文レビュー] Secure Social Recommendation based on Secret Sharing

Chaochao Chen, Liang Li+4 more|arXiv (Cornell University)|Feb 6, 2020

Recommender Systems and Techniques参考文献 37被引用数 14

ひとこと要約

本稿では、レーティングプラットフォームとソーシャルプラットフォームの間で、生のユーザーデータを露呈させることなく協働的なソーシャルレコメンデーションを実現するセキュアなマルチパーティ計算フレームワーク、SeSoRecを提案する。新しい秘密分散ベースの行列乗算（SSMM）プロトコルを導入することで、計算および通信の計算量が線形に保たれながらもプライバシーが確保され、実世界のデータセットにおいて、既存手法を上回る精度と効率性を達成する。

ABSTRACT

Nowadays, privacy preserving machine learning has been drawing much attention in both industry and academy. Meanwhile, recommender systems have been extensively adopted by many commercial platforms (e.g. Amazon) and they are mainly built based on user-item interactions. Besides, social platforms (e.g. Facebook) have rich resources of user social information. It is well known that social information, which is rich on social platforms such as Facebook, are useful to recommender systems. It is anticipated to combine the social information with the user-item ratings to improve the overall recommendation performance. Most existing recommendation models are built based on the assumptions that the social information are available. However, different platforms are usually reluctant to (or cannot) share their data due to certain concerns. In this paper, we first propose a SEcure SOcial RECommendation (SeSoRec) framework which can (1) collaboratively mine knowledge from social platform to improve the recommendation performance of the rating platform, and (2) securely keep the raw data of both platforms. We then propose a Secret Sharing based Matrix Multiplication (SSMM) protocol to optimize SeSoRec and prove its correctness and security theoretically. By applying minibatch gradient descent, SeSoRec has linear time complexities in terms of both computation and communication. The comprehensive experimental results on three real-world datasets demonstrate the effectiveness of our proposed SeSoRec and SSMM.

研究の動機と目的

• 外部プラットフォームのソーシャルデータを活用してレコメンデーション性能を向上させる課題に取り組みつつ、データプライバシーを保護すること。
• セキュアなソーシャルレコメンデーションをセキュアなマルチパーティ計算（MPC）問題として形式化すること。
• 機密データを保有するプラットフォーム間での協働を可能にする実用的でスケーラブルかつプライバシー保護型のフレームワークを設計すること。
• 信頼できる第三者に依存しない秘密分散ベースの行列乗算プロトコル（SSMM）を開発すること。
• 実世界のデータセットを用いた実験的評価を通じて、フレームワークの有効性と効率性を検証すること。

提案手法

• 二つのプラットフォーム（レーティングおよびソーシャル）が、生のデータを露呈させずに共同でユーザーの好みを学習するマルチパーティ計算問題として、セキュアなソーシャルレコメンデーションを形式化する。
• プラットフォーム𝒜のユーザ-アイテムレーティングとプラットフォーム𝒷のソーシャル関係性を統合するSeSoRecというフレームワークを提案する。
• MPC環境下で行列積を安全に計算できる、新しい秘密分散ベースの行列乗算（SSMM）プロトコルを設計する。これにより、信頼できる初期化者に依存しなくなる。
• 秘密分散を用いて行列要素を参加者間で分散配布し、入力を露呈させずに内積計算を実現する。
• スケーラビリティを確保するため、ミニバッチ勾配降下法を適用し、計算および通信の時間計算量を線形に保つ。
• 半悪意的攻撃モデル下でSSMMの正しさと安全性を証明し、出力以外の情報漏洩が発生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 生のユーザーデータを露呈させることなく、レーティングプラットフォームとソーシャルプラットフォームの間で協働を可能にするセキュアなフレームワークを設計可能か？
• RQ2 協働フィルタリングに不可欠な行列乗算を、信頼できる第三者がいないマルチパーティ環境でどのように安全に計算できるか？
• RQ3 提案されたSSMMプロトコルは、既存の信頼できる初期化者に依存するセキュアな行列乗算プロトコルに比べ、より高い効率性を達成するか？
• RQ4 特にスパースなデータ環境下で、ソーシャル情報の統合がレコメンデーション精度にどの程度向上効果をもたらすか？
• RQ5 ソーシャル正則化パラメータγは、最終モデルにおけるレーティング情報とソーシャル情報のバランスにどのように影響を与えるか？

主な発見

• SeSoRecは、セキュリティを欠いたSoregモデルとほぼ同等のレコメンデーション精度を達成し、全データセットでRMSE差が0.0003未満にとどまる。これにより、SSMMプロトコルの正しさが裏付けられる。
• Epinionsデータセット（レーティング密度0.48%）では、SeSoRecがMFのRMSEを7.60%改善し、スパースな状況下での顕著な向上効果を示している。
• SSMMはTISMMに比べて実行時間を約2.4倍短縮し、次のように実行時間の測定値が得られた：次元100で0.0025秒、次元1000で0.3246秒、次元10000で40.744秒。これにより、優れたスケーラビリティが確認された。
• SeSoRecの性能は、ソーシャル正則化パラメータγに強く依存しており、FilmTrustデータセットではγ = 10^0で最適な性能が達成された。
• SeSoRecは、計算および通信の計算量を線形に保つため、大規模データセットへの効率的な展開が可能である。
• SSMMプロトコルにより、信頼できる初期化者の必要性が排除され、実世界の展開における実用性とセキュリティが向上した。