개인화 소셜 추천: 정확도와 프라이버시의 딜레마

초록

본 논문은 소셜 네트워크 그래프만을 이용한 개인화 추천이 차별화된 프라이버시 위험을 내포한다는 점을 지적한다. 차등 프라이버시(ε‑DP)를 적용했을 때 발생하는 정확도 손실을 이론적으로 하한을 제시하고, 두 가지 기존 DP 메커니즘을 변형해 실험적으로 검증한다. 결과는 높은 정확도를 유지하려면 프라이버시 파라미터를 완화하거나, 그래프 내에서 충분히 많은 이웃을 가진 소수 사용자에 한정해야 함을 보여준다.

상세 분석

논문은 소셜 추천을 “그래프 링크‑분석 기반”으로 정의하고, 모든 엣지를 민감 정보로 가정한다. 목표는 단일 노드에 대해 가장 높은 효용을 가진 다른 노드를 추천하는 것이며, 효용 함수는 일반적인 그래프 특성(공통 이웃 수, 가중 경로 수, PageRank 등)을 만족하도록 설계된다. 차등 프라이버시 정의는 두 그래프가 하나의 엣지만 다를 때, 추천 결과 집합에 대한 확률 비가 e^ε 이하가 되도록 요구한다. 이때 ε가 작을수록 프라이버시 보호가 강해지지만, 추천 정확도는 감소한다.

저자들은 먼저 효용 함수가 “교환 가능성”(노드 교환 시 효용이 동일)과 “집중성”(효용이 특정 고유 노드에 집중)이라는 두 공리를 만족한다고 가정하고, 이를 기반으로 일반적인 정확도 하한을 도출한다. 특히, ε‑DP를 만족하면서 (1‑δ)‑정확도를 얻으려면 δ ≥ Ω(1/(d_max·ε))라는 식을 얻으며, 여기서 d_max는 그래프의 최대 차수이다. 이는 고차수 노드가 존재할 경우 정확도 손실이 크게 발생함을 의미한다.

구체적인 효용 함수에 대해선 두 가지 사례를 분석한다. 첫 번째는 공통 이웃 수이며, 이 경우 정확도 하한은 Ω(log n/ε) 수준으로, 로그 규모 이상의 이웃을 가진 사용자만이 의미 있는 추천을 받을 수 있다. 두 번째는 가중 경로 수이며, 비슷한 형태의 하한이 도출된다.

프라이버시를 보장하는 알고리즘으로는 Laplace 메커니즘과 Exponential 메커니즘을 차용한다. Laplace 메커니즘은 효용 벡터에 라플라스 잡음을 추가하고, 가장 높은 잡음이 섞인 효용을 가진 노드를 선택한다. Exponential 메커니즘은 효용에 지수적 가중치를 부여해 확률적으로 선택한다. 두 방법 모두 이론적 정확도 하한에 근접하지만, 실험에서는 Laplace가 약간 더 높은 정확도를 보였다.

실험은 실제 소셜 그래프(예: Facebook, Google+) 두 개를 사용해 다양한 효용 함수를 적용했으며, ε를 0.1부터 1까지 변화시켰다. 결과는 대부분의 노드에서 정확도 손실이 크게 나타났으며, 특히 저차수 노드에서는 거의 무작위 수준에 머물렀다. 반면, 고차수 노드(Ω(log n) 이웃 이상)에서는 차등 프라이버시 하에서도 80% 이상 최적 효용에 근접하는 성능을 기록했다.

마지막으로 전체 효용 벡터를 사전에 계산하기 어려운 경우를 위해, 효용을 샘플링 기반으로 추정하는 선형 스무딩 알고리즘을 제안한다. 이 방법은 계산 비용을 크게 낮추면서도 ε‑DP를 유지한다. 전체적으로 논문은 소셜 그래프 기반 추천 시스템이 프라이버시를 보장하려면 사용자 집단을 제한하거나, 프라이버시 파라미터를 완화해야 함을 이론과 실험으로 설득력 있게 증명한다.