[논문 리뷰] FedPOIRec: Privacy Preserving Federated POI Recommendation with Social Influence

Vasileios Perifanis, George Drosatos외 2명|arXiv (Cornell University)|2021. 12. 21.

Privacy-Preserving Technologies in Data인용 수 5

한 줄 요약

FedPOIRec는 CKKS 풀 히든 암호화 방식을 사용해 사용자 선호도를 보안적으로 암호화하여 집계하는 방식으로 사회적 영향을 통합한, 상위 N개의 POI 추천을 위한 프라이버시 보장형 연합 학습 프레임워크를 제안한다. 이는 사용자 기기에서 데이터가 항상 유지되는 조건에서 중앙집중식 방법과 유사한 추천 품질을 달성하면서도, 무거운 연산을 서버로 이관함으로써 사용자 측의 계산 및 통신 오버헤드를 최소화한다.

ABSTRACT

With the growing number of Location-Based Social Networks, privacy preserving location prediction has become a primary task for helping users discover new points-of-interest (POIs). Traditional systems consider a centralized approach that requires the transmission and collection of users' private data. In this work, we present FedPOIRec, a privacy preserving federated learning approach enhanced with features from users' social circles for top-$N$ POI recommendations. First, the FedPOIRec framework is built on the principle that local data never leave the owner's device, while the local updates are blindly aggregated by a parameter server. Second, the local recommenders get personalized by allowing users to exchange their learned parameters, enabling knowledge transfer among friends. To this end, we propose a privacy preserving protocol for integrating the preferences of a user's friends after the federated computation, by exploiting the properties of the CKKS fully homomorphic encryption scheme. To evaluate FedPOIRec, we apply our approach into five real-world datasets using two recommendation models. Extensive experiments demonstrate that FedPOIRec achieves comparable recommendation quality to centralized approaches, while the social integration protocol incurs low computation and communication overhead on the user side.

연구 동기 및 목표

• 사용자의 민감한 체크인 데이터를 수집하고 저장하는 중앙집중식 POI 추천 시스템에서 발생하는 프라이버시 우려를 해결하기 위해.
• 원시 선호도를 폭 드러내지 않은 채 사용자 친구들의 사회적 영향을 통합하여 추천 품질을 향상시키기 위해.
• 암호화된 사용자 벡터에 대한 계산을 가능하게 하는 안전하고 통신 효율적인 프로토콜을 설계하기 위해.
• 데이터 기밀성을 유지하면서도 클라이언트 장치에서의 계산 및 통신 오버헤드를 최소화하기 위해.
• 연합적이고 프라이버시 보장형 추천 프레임워크에 사회적 영향을 통합하는 것의 타당성과 성능을 평가하기 위해.

제안 방법

• 프레임워크는 중앙 서버에 원시 데이터를 전송하지 않고도 사용자 기기에서 로컬 모델을 훈련시키기 위해 연합 학습을 사용한다.
• 로컬 모델 업데이트가 집계된 후, CKKS 풀 히든 암호화를 사용해 사용자의 사회적 네트워크에서의 사용자 벡터의 가중 평균을 계산하는 보안 프로토콜이 적용된다.
• 서버는 개별 사용자 데이터를 복호화하지 않고도 암호화된 벡터에서 히든 연산을 수행하여 사회적 영향 특징을 계산한다.
• 두 라운드 통신 프로토콜을 사용한다: 사용자가 서버에 암호화된 벡터를 전송하고, 서버는 복호화를 위한 두 개의 암호화된 결과를 반환한다.
• 가중 평균 계산에 필요한 덧셈 및 회전 연산을 지원하기 위해 CKKS FHE의 특성을 활용한다.
• 이 시스템은 일반적이며, POI 추천을 위한 어떤 협업 필터링 모델과도 통합 가능하다.

실험 결과

연구 질문

• RQ1 연합 학습과 사회적 영향을 효과적으로 융합하여 프라이버시를 보장하면서도 POI 추천 품질을 향상시킬 수 있는가?
• RQ2 사용자 친구들의 사회적 선호도를 개인 사용자 데이터를 폭 드러내지 않고 안전하게 집계할 수 있는가?
• RQ3 연합 환경에서 풀 히든 암호화를 통해 사회적 영향을 통합할 경우, 계산 및 통신 오버헤드는 어느 정도인가?
• RQ4 FedPOIRec의 추천 성능은 중앙집중식 및 비사회적 연합 기반 베이스라인과 비교해 어떻게 되는가?
• RQ5 제안된 프라이버시 보장 프로토콜은 실세계 환경에서 대규모 사용자를 효과적으로 지원할 수 있는가?

주요 결과

• FedPOIRec는 중앙집중식 학습 방법과 유사한 추천 품질을 달성하여, 프라이버시 보장형 연합 학습이 높은 정확도를 유지할 수 있음을 입증한다.
• 암호화된 가중 평균 계산을 통한 사회적 영향 통합은 표준 연합 학습을 초월해 추천 품질을 향상시킨다.
• 프로토콜은 사용자당 단 두 번의 통신 라운드만을 요구하여 사용자 측의 통신 오버헤드를 최소화한다.
• 100명의 사용자가 참여하더라도, 암호화 텍스트당 128개의 값을 패킹한 상태에서 가중 평균 계산의 서버 측 실행 시간이 90초 이내로 유지된다.
• 계산 및 스토리지 오버헤드는 모두 서버로 이관되어 클라이언트 장치에 미치는 영향을 최소화한다.
• 실험을 통해 낮은 복호화 오차를 유지하며 실세계 구현에 실용적임을 확인했으며, 다섯 개인 실세계 데이터셋을 대상으로 한 실험 결과로 이를 입증했다.