[論文レビュー] An Accuracy-Assured Privacy-Preserving Recommender System for Internet Commerce

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

Privacy-Preserving Technologies in Data被引用数 6

ひとこと要約

本稿では、差分プライバシー下で推薦精度を向上させるために、ユーザーを排他的なグループに分割し、各グループ内で確率を段階的に低下させることで近隣ユーザーを選択する、新たなプライバシー保護型協調フィルタリング手法である Partitioned Probabilistic Neighbour Selection (PPNS) を提案する。PPNS は、PNCF や確率的近隣選択と比較して、特に一般化された βk-NN 攻撃モデル下で、精度とセキュリティのトレードオフをより良好に達成する。

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.

研究の動機と目的

• k-NN 攻撃下で、既存のプライバシー保護型協調フィルタリング手法にデータ利用価値の保証が欠けている問題に対処する。
• 確率的近隣選択手法におけるグローバルなランダム性が引き起こす精度の低下を克服する。
• 局所的な近隣選択を通じて、ノイズの大きさを最小限に抑えつつ差分プライバシーを確保する。
• 精度（α を通じて）とシステムのセキュリティ（β を通じて）を体系的かつバランスよく定量化・調整する。
• βk-NN 攻撃に対して強いプライバシー保証を提供しつつ、高い推薦精度を維持する手法を提案する。

提案手法

• ユーザーをサイズ k の排他的なグループに分割する分割型ユーザー構造を導入し、近隣選択を局所化する。
• 各パーティション内で確率を段階的に低下させる選択法を適用し、類似度の高い近隣ユーザーを優先し、グローバルなランダム性を低減する。
• k-NN 攻撃を一般化し、β をパーティション数として表す βk-NN 攻撃に拡張することで、プライバシーリスクをより現実的にモデル化する。
• 精度指標 α を k 個の近隣ユーザーの類似度の合計として定義し、セキュリティ指標 β をユーザーのパーティション数として定義する。
• グローバルではなく各パーティション内で差分プライバシー機構を局所的に適用することで、ノイズの大きさを低減し、利用価値を向上させる。
• 近隣選択を確率的プロセスとして定式化し、差分プライバシーを維持しながら、より質の高い近隣ユーザーを選択することで予測精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 プライバシー保護型レコメンデーションシステムは、k-NN 攻撃下でも差分プライバシーを確保しながら高い推薦精度を維持できるか？
• RQ2 ユーザーのパーティション内での局所的近隣選択は、グローバルな確率的選択と比較して、精度とセキュリティのトレードオフにどのように影響するか？
• RQ3 パーティション戦略は、プライバシー保証を損なわずに、差分プライバシーにおけるノイズの大きさをどの程度低減できるか？
• RQ4 パラメータ p（パーティション確率）、k（近隣集合サイズ）、ρ（類似度閾値）は、精度とセキュリティのトレードオフにどのように影響するか？
• RQ5 提案手法 PPNS は、βk-NN 攻撃下で、PNCF や確率的近隣選択と比較して、精度とセキュリティの両面で優れているか？

主な発見

• p のすべてのテスト値において、PPNS は PNCF や確率的近隣選択を上回る高い推薦精度を達成しており、p = 1 の場合、k-NN に近い精度に近づく。
• p = 0.5 の場合、k=50 で PPNS は 0.7430（RMSE）の精度を達成し、テスト環境下で k-NN（0.6957）と PNCF（0.8941）を顕著に上回る。
• p の増加に伴いセキュリティが向上し、パーティション数が p=0.1 時の 17 から p=1 時の 1 に減少する一方で、高い精度を維持する。
• βk-NN 攻撃下でも強固なプライバシー保証を維持しており、p の増加に伴いセキュリティ指標 β が 17 から 1 に減少し、攻撃表面が縮小している。
• PNCF [29] の ρ の値は精度に顕著な影響を及ぼさないことが判明し、パラメータ設定が非効果的であることを示唆するのに対し、PPNS は ρ に対して明確な感受性と制御性を示す。
• k=50 の場合、PPNS は ε=1、p=0.5、ρ=0.5 の条件下で 0.7430 の精度を達成し、k-NN（0.6957）と PNCF（0.8941）を顕著に上回り、優れた利用価値とプライバシーのバランスを実現している。