[论文解读] FedPOIRec: Privacy Preserving Federated POI Recommendation with Social Influence

Vasileios Perifanis, George Drosatos+2 more|arXiv (Cornell University)|Dec 21, 2021

Privacy-Preserving Technologies in Data被引用 5

一句话总结

FedPOIRec 提出了一种用于 Top-N 地点推荐的隐私保护联邦学习框架，通过使用 CKKS 全同态加密方案对用户偏好进行安全加密聚合，整合社交影响。该框架在将计算密集型操作卸载至服务器、确保数据始终不离开用户设备的前提下，实现了与集中式方法相当的推荐质量，同时最小化了客户端的计算和通信开销。

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.

研究动机与目标

• 解决集中式地点推荐系统中收集和存储用户敏感签到数据所引发的隐私担忧。
• 通过引入用户好友的社交影响来提升推荐质量，同时不暴露原始偏好。
• 设计一种安全且通信高效的协议，实现在联邦学习后对加密用户向量进行计算。
• 在保护数据机密性的前提下，最小化客户端设备的计算和通信开销。
• 评估在联邦、隐私保护推荐框架中集成社交影响的可行性与性能。

提出的方法

• 该框架使用联邦学习在用户设备上训练本地模型，而无需将原始数据传输至中心服务器。
• 在本地模型更新聚合后，通过安全协议使用 CKKS 全同态加密计算用户社交圈内用户向量的加权平均值。
• 服务器在加密向量上执行同态操作，以计算社交影响特征，而无需解密单个用户的数据。
• 采用两轮通信协议：用户将加密向量发送至服务器，服务器返回两个加密结果供解密。
• 该方法利用 CKKS FHE 的特性，支持加权平均计算所需的同态加法和旋转操作。
• 该系统具有通用性，可与任何协同过滤模型集成以用于地点推荐。

实验结果

研究问题

• RQ1 联邦学习能否与社交影响有效结合，在保护用户隐私的同时提升地点推荐质量？
• RQ2 如何在不暴露单个用户数据的前提下，安全聚合用户好友的社交偏好？
• RQ3 在联邦设置中，通过全同态加密集成社交影响的计算和通信开销如何？
• RQ4 FedPOIRec 的推荐性能与集中式和非社交联邦基线相比如何？
• RQ5 所提出的隐私保护协议能否在真实环境中高效扩展以支持大量用户？

主要发现

• FedPOIRec 实现了与集中式学习方法相当的推荐质量，证明了隐私保护联邦学习可保持高精度。
• 通过加密加权平均计算整合社交影响，显著提升了推荐质量，超越了标准联邦学习。
• 协议每用户仅需两轮通信，最大限度减少了用户端的通信开销。
• 即使涉及 100 名用户，当每个密文打包 128 个值时，服务器端计算加权平均值的执行时间仍保持在 90 秒以内。
• 计算和存储开销被转移至服务器，确保对客户端设备影响极小。
• 系统保持了较低的解密误差，实验在五个真实世界数据集上验证了其在实际部署中的可行性。