[논문 리뷰] An Accuracy-Assured Privacy-Preserving Recommender System for Internet Commerce

Zhigang Lü, Hong Shen|arXiv (Cornell University)|2015. 05. 29.

Privacy-Preserving Technologies in Data인용 수 6

한 줄 요약

이 논문은 차별적 비밀유지 하에서 정밀도를 향상시키기 위해 사용자를 배타적인 그룹으로 분할하고, 각 그룹 내에서 감소하는 확률로 이웃을 선택하는 새로운 프라이버시 보장 협업 필터링 방법인 분할 확률적 이웃 선택(PPNS)을 제안한다. PPNS는 기존의 PNCF 및 확률적 이웃 선택과 비교해 정밀도-보안 간의 균형을 더 잘 달성하며, 특히 일반화된 βk-NN 공격 모델 하에서 뛰어난 성능을 보인다.

ABSTRACT

Recommender systems, tool for predicting users' potential preferences by computing history data and users' interests, show an increasing importance in various Internet applications such as online shopping. As a well-known recommendation method, neighbourhood-based collaborative filtering has attracted considerable attention recently. The risk of revealing users' private information during the process of filtering has attracted noticeable research interests. Among the current solutions, the probabilistic techniques have shown a powerful privacy preserving effect. When facing $k$ Nearest Neighbour attack, all the existing methods provide no data utility guarantee, for the introduction of global randomness. In this paper, to overcome the problem of recommendation accuracy loss, we propose a novel approach, Partitioned Probabilistic Neighbour Selection, to ensure a required prediction accuracy while maintaining high security against $k$NN attack. We define the sum of $k$ neighbours' similarity as the accuracy metric alpha, the number of user partitions, across which we select the $k$ neighbours, as the security metric beta. We generalise the $k$ Nearest Neighbour attack to beta k Nearest Neighbours attack. Differing from the existing approach that selects neighbours across the entire candidate list randomly, our method selects neighbours from each exclusive partition of size $k$ with a decreasing probability. Theoretical and experimental analysis show that to provide an accuracy-assured recommendation, our Partitioned Probabilistic Neighbour Selection method yields a better trade-off between the recommendation accuracy and system security.

연구 동기 및 목표

• k-NN 공격 하에서 기존의 프라이버시 보장 협업 필터링 방법의 데이터 유용성 보장 부족 문제를 해결한다.
• 확률적 이웃 선택 방법에서 발생하는 전역 랜덤성으로 인한 정밀도 저하 문제를 해결한다.
• 국소화된 이웃 선택을 통해 노이즈 크기를 최소화하면서도 차별적 비밀유지를 확보한다.
• 정밀도(α를 통해)와 시스템 보안(β를 통해)을 체계적으로 정량화하고 균형을 이룬다.
• βk-NN 공격에 대해 강력한 프라이버시 보장을 제공하면서도 높은 추천 정밀도를 유지하는 방법을 제안한다.

제안 방법

• 사용자를 크기가 k인 배타적인 그룹으로 나누는 분할된 사용자 구조를 도입하여 이웃 선택을 국소화한다.
• 각 분할 내에서 감소하는 확률 선택을 적용하여 유사도가 높은 이웃을 우선시하고 전역적 랜덤성을 줄인다.
• k-NN 공격을 일반화하여 βk-NN 공격으로 확장하며, 여기서 β는 분할 수를 나타내어 프라이버시 위험을 더 현실적으로 모델링한다.
• 정밀도 지표 α를 k개의 이웃 유사도 합으로, 보안 지표 β를 사용자 분할 수로 정의한다.
• 전체적으로가 아니라 각 분할 내에서만 차별적 비밀유지 메커니즘을 선택적으로 적용하여 노이즈 크기를 줄이고 유용성을 향상시킨다.
• 이웃 선택을 확률적 과정으로 공식화하여 차별적 비밀유지를 유지하면서도 이웃 품질을 향상시켜 더 나은 예측을 가능하게 한다.

실험 결과

연구 질문

• RQ1 k-NN 공격 하에서 프라이버시 보장 추천 시스템이 차별적 비밀유지를 확보하면서도 높은 추천 정밀도를 유지할 수 있는가?
• RQ2 사용자 분할 내 국소화된 이웃 선택이 전역 확률적 선택 대비 정밀도-보안 균형에 어떤 영향을 미치는가?
• RQ3 분할 전략은 프라이버시 보장을 훼손하지 않으면서 노이즈 크기를 얼마나 줄일 수 있는가?
• RQ4 p(분할 확률), k(이웃 집합 크기), ρ(유사도 임계값)의 값이 정밀도-보안 균형에 어떤 영향을 미치는가?
• RQ5 제안된 PPNS 방법이 βk-NN 공격 하에서 기존의 PNCF 및 확률적 이웃 선택 방법보다 정밀도와 보안 측면에서 뛰어나게 성능을 발휘하는가?

주요 결과

• p의 모든 테스트 값에서 PPNS는 PNCF 및 확률적 이웃 선택보다 더 높은 추천 정밀도를 달성하며, p=1일 때 k-NN에 가까운 정밀도에 도달한다.
• p=0.5일 때, k=50인 조건에서 PPNS는 RMSE 기준 0.7430의 정밀도를 기록하여, 테스트 설정에서 k-NN(0.6957)과 PNCF(0.8941)를 뛰어넘는 성능을 보였다.
• p가 증가함에 따라 보안이 향상되어 분할 수가 p=0.1일 때 17에서 p=1일 때 1로 감소하며, 높은 정밀도를 유지한다.
• βk-NN 공격 하에서도 강력한 프라이버시 보장을 유지하며, 보안 지표 β가 p 증가에 따라 17에서 1로 감소하여 공격 표면이 감소함을 나타낸다.
• PNCF의 ρ 값 [29]은 정밀도에 의미 있는 영향을 미치지 않아 파rameterization이 비효율적임을 시사하지만, PPNS는 ρ에 대해 명확한 민감도와 제어력을 보였다.
• k=50일 때, PPNS는 ε=1, p=0.5, ρ=0.5 조건에서 정밀도 0.7430을 달성하여, k-NN(0.6957)과 PNCF(0.8941)를 뛰어넘어 유용성-프라이버시 균형 측면에서 열등한 성능을 보였다.