[论文解读] On the (Im)possibility of Preserving Utility and Privacy in Personalized Social Recommendations

Ashwin Machanavajjhala, Aleksandra Korolova+1 more|arXiv (Cornell University)|Apr 30, 2010

Privacy-Preserving Technologies in Data参考文献 22被引用 5

一句话总结

本文研究了社交推荐系统中效用与差分隐私之间的根本权衡，证明了强隐私保证会严重限制推荐准确性。本文提出了差分隐私算法并建立了理论下界，表明只有在非常受限的条件下（如用户数量较少或隐私参数较宽松）才能实现准确的私有推荐。

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.

研究动机与目标

• 探究个性化社交推荐是否能在保持强隐私保证的同时维持高效率。
• 量化在社交网络中强制实施差分隐私时推荐准确性的最小损失。
• 设计能够在实践中平衡效用与隐私的差分隐私推荐算法。
• 分析在现实约束（如动态图和未知效用向量）下私有社交推荐的可行性。
• 探索模型向非单调效用函数和替代隐私定义的推广。

提出的方法

• 提出一个理论框架，将社交推荐建模为具有敏感边的基于图的推荐问题。
• 使用差分隐私作为正式的隐私保证，通过有无特定边时推荐概率的比值来衡量隐私。
• 基于边敏感度和效用向量结构，使用信息论论证推导出效用损失的理论下界。
• 设计两种差分隐私推荐算法：一种基于指数机制，另一种使用采样和线性平滑以保持效用。
• 通过分析和实验评估性能，将算法准确率与理论下界进行比较。
• 引入一种基于扰动的方法以增强隐私，即在推荐采样前修改输入图。

实验结果

研究问题

• RQ1 在社交网络中强制实施差分隐私时，推荐准确性的根本限制是什么？
• RQ2 在社交推荐算法中应用差分隐私时，效用损失有多大？
• RQ3 差分隐私推荐算法能否在现实世界社交网络环境中实现可接受的准确性？
• RQ4 当效用向量未知或动态变化时，隐私-效用权衡如何变化？
• RQ5 放宽隐私定义（例如采用(ϵ,δ)-差分隐私）对推荐准确性有何影响？

主要发现

• 本文建立了效用损失的理论下界，证明强差分隐私对推荐准确性施加了根本性限制。
• 实验评估表明，基于指数机制的算法在低度节点上接近理论下界，准确率表现优异。
• 当隐私参数ϵ = 0.5时，随着节点度数增加，私有推荐的准确率显著下降，表明可扩展性较差。
• 所提出的采样与线性平滑方法（AS(x)）保证了ln(1 + nx/(1−x))-差分隐私，并维持了原始算法效用的xγ近似。
• 结果表明，仅当用户数量较少或隐私参数非常宽松时，才能实现良好的私有社交推荐。
• 对非单调效用函数的推广是可能的，但需要更高的边修改次数（t），从而导致更大的效用损失。