[논문 리뷰] On the (Im)possibility of Preserving Utility and Privacy in Personalized Social Recommendations

Ashwin Machanavajjhala, Aleksandra Korolova외 1명|arXiv (Cornell University)|2010. 04. 30.

Privacy-Preserving Technologies in Data참고 문헌 22인용 수 5

한 줄 요약

이 논문은 사회적 추천 시스템에서 유틸리티와 차별적 프라이버시 사이의 근본적 트레이드오프를 조사하며, 강력한 프라이버시 보장을 제공할 경우 추천 정확도가 심각하게 제한됨을 증명한다. 다양한 프라이버시 보장을 갖춘 알고리즘을 제안하고 이론적 하한선을 설정하여, 정확한 프라이버시 보장된 추천은 매우 제한된 조건—예를 들어 소수의 사용자 또는 관용적인 프라이버시 파라미터—하에서만 가능함을 보여준다.

ABSTRACT

With the recent surge of social networks like Facebook, new forms of recommendations have become possible -- personalized recommendations of ads, content, and even new social and product connections based on one's social interactions. In this paper, we study whether "social recommendations", or recommendations that utilize a user's social network, can be made without disclosing sensitive links between users. More precisely, we quantify the loss in utility when existing recommendation algorithms are modified to satisfy a strong notion of privacy called differential privacy. We propose lower bounds on the minimum loss in utility for any recommendation algorithm that is differentially private. We also propose two recommendation algorithms that satisfy differential privacy, analyze their performance in comparison to the lower bound, both analytically and experimentally, and show that good private social recommendations are feasible only for a few users in the social network or for a lenient setting of privacy parameters.

연구 동기 및 목표

• 개인화된 사회적 추천이 강력한 프라이버시 보장을 유지하면서도 높은 유틸리티를 유지를 할 수 있는지 조사하기.
• 사회적 네트워크에서 차별적 프라이버시를 적용할 경우 추천 정확도가 최소한으로 손실되는 정도를 정량화하기.
• 실제 상황에서 유틸리티와 프라이버시를 균형 잡는 다양한 프라이버시 보장 추천 알고리즘 설계하기.
• 동적 그래프나 알려지지 않은 유틸리티 벡터와 같은 현실적인 제약 조건 하에서 프라이버시 보장된 사회적 추천의 가능성을 분석하기.
• 비단조화 유틸리티 함수 및 다른 프라이버시 정의로의 모델 일반화 탐색하기.

제안 방법

• 감성 엣지가 포함된 그래프 기반 추천 문제로 모델링하는 이론적 프레임워크 제안.
• 차별적 프라이버시를 공식적인 프라이버시 보장으로 사용하며, 특정 엣지의 유무에 따른 추천 확률 비율을 통해 프라이버시 수준 측정.
• 엣지 민감도와 유틸리티 벡터의 구조를 바탕으로 정보 이론적 추론을 통해 유틸리티 손실의 이론적 하한선 유도.
• 두 가지 다양한 프라이버시 보장 추천 알고리즘 설계: 하나는 지수 기반 메커니즘을 기반으로 하며, 다른 하나는 샘플링과 선형 스무딩을 사용해 유틸리티 유지.
• 분석적 및 실험적 방식으로 성능 분석 수행하며, 알고리즘 정확도를 이론적 하한선과 비교.
• 입력 그래프를 추천 샘플링 이전에 수정함으로써 프라이버시를 향상시키는 펌핑 기반 방법 도입.

실험 결과

연구 질문

• RQ1 사회적 네트워크에서 차별적 프라이버시를 적용할 경우 추천 정확도에 대한 근본적 한계는 무엇인가?
• RQ2 사회적 추천 알고리즘에 차별적 프라이버시를 적용할 경우 유틸리티는 얼마나 손실되는가?
• RQ3 다양한 프라이버시 보장 추천 알고리즘이 실제 사회적 네트워크 환경에서 만족스러운 정확도를 달성할 수 있는가?
• RQ4 유틸리티 벡터가 알려지지 않거나 동적으로 변화할 경우 프라이버시-유틸리티 트레이드오프는 어떻게 변화하는가?
• RQ5 프라이버시 정의를 완화함(예: (ϵ,δ)-차별적 프라이버시로)할 경우 추천 정확도에 어떤 영향을 미치는가?

주요 결과

• 논문은 유틸리티 손실에 대한 이론적 하한선을 확립하여, 강력한 차별적 프라이버시가 추천 정확도에 근본적인 제한을 가짐을 증명한다.
• 실험적 평가 결과, 지수 기반 메커니즘을 사용한 알고리즘이 이론적 하한선에 매우 가까운 정확도를 달성함을 확인하였으며, 특히 저도수 노드에서 두드러진 성능을 보였다.
• 프라이버시 파라미터 ϵ = 0.5일 경우, 노드의 도수 증가에 따라 프라이버시 보장 추천의 정확도가 심각하게 떨어지며, 이는 낮은 확장성의 징후로 나타났다.
• 제안된 샘플링 및 선형 스무딩 방법(AS(x))은 ln(1 + nx/(1−x))-차별적 프라이버시를 보장하며, 원래 알고리즘의 xγ 정도의 유틸리티를 유지한다.
• 결과적으로, 좋은 프라이버시 보장된 사회적 추천은 소수의 사용자 또는 매우 관용적인 프라이버시 파라미터 조건에서만 가능함을 시사한다.
• 비단조화 유틸리티 함수로의 일반화도 가능하지만, 이 경우 엣지 수정 횟수(t)가 증가해 유틸리티 손실이 더 커진다.