[논문 리뷰] Survey and Open Problems in Privacy Preserving Knowledge Graph: Merging, Query, Representation, Completion and Applications

Chaochao Chen, Jamie Cui외 3명|arXiv (Cornell University)|2020. 11. 20.

Privacy-Preserving Technologies in Data인용 수 8

한 줄 요약

이 논문은 데이터 격리 환경에서 개인정보 보호 지향 지식 그래프(KG) 협업 문제를 다루며, 보안 다자간 계산(sMPC)과 같은 암호 기법을 활용해 안전한 병합, 질의, 표현 학습, 완성 기법을 제안한다. 다양한 기관이 원천 데이터를 공개하지 않고도 사기 탐지, 대출 평가, 추천 시스템 등의 KG 작업을 공동으로 수행할 수 있도록 함으로써 강력한 개인정보 보호 보장을 바탕으로 공동 지능을 실현한다.

ABSTRACT

Knowledge Graph (KG) has attracted more and more companies' attention for its ability to connect different types of data in meaningful ways and support rich data services. However, the data isolation problem limits the performance of KG and prevents its further development. That is, multiple parties have their own KGs but they cannot share with each other due to regulation or competition reasons. Therefore, how to conduct privacy preserving KG becomes an important research question to answer. That is, multiple parties conduct KG related tasks collaboratively on the basis of protecting the privacy of multiple KGs. To date, there is few work on solving the above KG isolation problem. In this paper, to fill this gap, we summarize the open problems for privacy preserving KG in data isolation setting and propose possible solutions for them. Specifically, we summarize the open problems in privacy preserving KG from four aspects, i.e., merging, query, representation, and completion. We present these problems in details and propose possible technical solutions for them. Moreover, we present three privacy preserving KG-aware applications and simply describe how can our proposed techniques be applied into these applications.

연구 동기 및 목표

• 규제나 경쟁으로 인해 기관 간에 비공개 KG를 공유할 수 없는 지식 그래프(KG) 격리 문제를 해결한다.
• 병합, 질의, 표현, 완성의 네 분야에서 개인정보 보호 지향 KG의 열린 문제를 식별하고 체계화한다.
• 보안 다자간 계산(sMPC)을 활용한 기술적 해결책을 제안하여 데이터 프라이버시를 유지하면서도 공동 KG 작업을 가능하게 한다.
• 실제 사례인 사기 탐지, 신용 리스크 평가, 추천 시스템 등에 개인정보 보호 지향 KG를 적용할 수 있음을 입증한다.
• 산업 현장에서의 개인정보 보호 지향 KG 시스템 연구 및 구현을 위한 기초 프레임워크를 제공한다.

제안 방법

• 보안 다자간 계산(sMPC)을 활용해 개인정보 보호 지향 KG 작업을 체계화함으로써 협업 과정에서 어느 한 당사자도 원천 데이터를 드러내지 않도록 보장한다.
• 개별 기관의 실체나 관계 데이터를 폭 드러내지 않은 채 지식 그래프를 안전하게 병합할 수 있는 기법을 제안한다.
• 기본 지식 그래프 구조를 듸러내지 않은 채 사실 질의(예: '두 실체 간에 연결이 존재하는가?')에 응답할 수 있는 개인정보 보호 질의 프로토콜을 설계한다.
• 암호화된 임bedding을 통한 개인정보 보호 지향 표현 학습 기법을 도입하여 TransE나 RotatE와 같은 모델을 데이터 泄露 없이 공동 학습할 수 있도록 한다.
• 동형 암호화 또는 비밀 분할 기법을 활용해 누락된 속성이나 삼중항을 안전하게 보완하는 기법을 개발함으로써 누락된 사실이나 레이블을 예측한다.
• 사기 탐지, 신용 평가, 추천 시스템 등 응용 분야에 맞는 파이프라인에 이러한 기법들을 통합한다.

실험 결과

연구 질문

• RQ1 여러 기관이 비공개 지식 그래프를 서로 공유할 때, 개인 실체나 관계 데이터를 폭 드러내지 않고 안전하게 병합할 수 있는 방법은 무엇인가?
• RQ2 다양한 기관 간에 지식 그래프를 비공개로 질의할 수 있는 기법은 무엇이며, 이는 기초 데이터의 기밀성을 유지하는가?
• RQ3 분류나 연결 예측 등의 후속 작업을 지원하기 위해 지식 그래프에 대해 개인정보 보호 지향 표현 학습을 어떻게 달성할 수 있는가?
• RQ4 신뢰할 수 없는 기관들 간에 분산된 데이터를 바탕으로 누락된 속성이나 삼중항을 안전하게 보완할 수 있는 방법은 무엇인가?
• RQ5 사기 탐지, 신용 평가, 추천 시스템 등의 실제 응용 분야에서 개인정보 보호 지향 지식 그래프 기법을 효과적으로 적용할 수 있는가?

주요 결과

• 기존 개인정보 보호 기계 학습 기법은 일반 데이터에는 적합하지만, 지식 그래프의 복잡한 관계적 구조에는 부적합함을 밝혀냈다.
• 보안 다자간 계산(sMPC)은 사기 탐지, 질의, 완성 등 다양한 KG 작업을 비공개 상태로 수행할 수 있도록 해주며, 지식 그래프 격리 문제에 대한 실현 가능한 해결책을 제공한다.
• 개인정보 보호 지향 속성 보완은 공유된 실체에 대해 레이블 충돌(예: 짐이 다른 KG에서 '좋음' 또는 '나쁨'으로 레이블링됨)을 해결함으로써 공동 분류 정확도를 향상시킨다.
• 제안된 기법을 통해 금융 기관들은 공개하지 않고도 기업용 지식 그래프를 기반으로 공동으로 신용 리스크를 평가할 수 있으며, 이로써 부도 위험을 줄일 수 있다.
• 다양한 플랫폼에서의 사용자-아이템 상호작용 데이터와 소셜 네트워크 데이터를 안전하게 통합함으로써 추천 시스템의 정확도를 향상시킬 수 있으며, 이는 개인정보 보호를 유지한 채로 가능하다.
• 이 프레임워크는 사기 탐지, 대출 보증, 추천 시스템 등 개인정보 보호 지향 KG 응용의 실용적 구현을 가능하게 하며, 실제 산업 현장에서의 도입 가능성이 높다.