[論文レビュー] walk2friends: Inferring Social Links from Mobility Profiles

Michael Backes, Mathias Humbert+2 more|arXiv (Cornell University)|Aug 28, 2017

Human Mobility and Location-Based Analysis参考文献 38被引用数 16

ひとこと要約

本稿では、社会的関係を移動データから推定する新規な教師なし攻撃である walk2friends を提案する。深層特徴学習を用いて、社会的リンクや共通の場所に関する事前知識が不要な移動プロファイルを抽出する。本手法は、最先端手法と比較して最大20%高い精度を達成し、AUCは0.8を記録する。また、社会的リンクのプライバシーリスクを軽減するための3つの防御手法を評価している。

ABSTRACT

The development of positioning technologies has resulted in an increasing amount of mobility data being available. While bringing a lot of convenience to people's life, such availability also raises serious concerns about privacy. In this paper, we concentrate on one of the most sensitive information that can be inferred from mobility data, namely social relationships. We propose a novel social relation inference attack that relies on an advanced feature learning technique to automatically summarize users' mobility features. Compared to existing approaches, our attack is able to predict any two individuals' social relation, and it does not require the adversary to have any prior knowledge on existing social relations. These advantages significantly increase the applicability of our attack and the scope of the privacy assessment. Extensive experiments conducted on a large dataset demonstrate that our inference attack is effective, and achieves between 13% to 20% improvement over the best state-of-the-art scheme. We propose three defense mechanisms -- hiding, replacement and generalization -- and evaluate their effectiveness for mitigating the social link privacy risks stemming from mobility data sharing. Our experimental results show that both hiding and replacement mechanisms outperform generalization. Moreover, hiding and replacement achieve a comparable trade-off between utility and privacy, the former preserving better utility and the latter providing better privacy.

研究の動機と目的

• 社会的関係の推定を、社会的つながりや共通の場所に関する事前知識が一切不要な一般的な教師なし攻撃として開発すること。
• 特に敵対者に共有された場合に、移動データが社会的関係を露呈するプライバシーリスクを評価すること。
• 隠蔽、置換、一般化の3つの防御手法を設計し、移動データからの社会的リンク推定を緩和する有効性を実験的に評価すること。
• 低データ量および低共通場所条件下でも攻撃の強靭性を示し、防御戦略のプライバシーとデータ利用価値のトレードオフを評価すること。

提案手法

• 本手法は、スキップグラムにインspiredされたニューラルネットワークベースの特徴学習モデルを用い、ユーザーのチェックイン履歴から自動的に移動特徴を抽出する。
• 各ユーザーの移動プロファイルは、訪問した場所と同時に訪問したユーザー（移動近傍者）を保持する埋め込み表現として学習される。
• ユーザー間の学習済み移動プロファイルの類似度は、コサイン類似度を用いて計算され、社会的リンクの予測に用いられる。
• 攻撃は教師なしであり、ラベル付きの社会ネットワークデータや既存の関係に関する事前知識を一切必要としない。
• 3つの防御手法を評価する：隠蔽（80%の場所ポイントを削除）、置換（50%のポイントをランダムなポイントに置き換え）、一般化（粗い地理グリッドを使用）。
• 性能評価は、意味的および地理的場所メタデータを備えた大規模なInstagramチェックインデータセットを用い、AUCを指標とする。

実験結果

リサーチクエスチョン

• RQ1 共通の場所や社会的つながりに関する事前知識がなくても、移動データから社会的関係を信頼性高く推定できるか？
• RQ2 深層特徴学習は、社会的関係と相関する移動パターンをどれほど効果的に捉えられるか？
• RQ3 地理的および意味的粒度の違いが、社会的リンク推定の性能に与える影響は何か？
• RQ4 隠蔽、置換、一般化のうち、プライバシーとデータ利用価値のトレードオフにおいて最も優れたバランスを示す防御手法はどれか？
• RQ5 ユーザーのチェックイン数が少なく、または共通の場所が全くない状況下でも、推定攻撃はどれほど強靭か？

主な発見

• 提案された攻撃は、受容器特性曲線下の面積（AUC）が0.8を達成し、最高の既存SOTA手法と比較して13%〜20%の改善を示した。
• ユーザー1人あたり5ポイントのチェックインでも、都市ごとにAUCが0.71または0.75を維持し、強い性能を発揮した。
• 2人のユーザーが共通の場所を持たない場合でも、AUCは約0.72に達し、攻撃が有効であることが示された。
• 推定性能をAUC 0.7未満に低下させるには、80%の場所ポイントを隠蔽するか、50%のポイントを置換する必要があり、強力な防御の閾値が示された。
• 隠蔽は置換よりもデータ利用価値をより良く保ちながら、置換はより強いプライバシー保護を提供した。一方、一般化はプライバシーと利用価値のトレードオフにおいて著しく劣っていた。
• 場所の意味的コンテンツは、地理的データを一般化した場合に推定性能を向上させることを示し、意味的特徴が空間のぼかしを補完できることを示した。