PPGenCDR: A Stable and Robust Framework for Privacy-Preserving Cross-Domain Recommendation
원문 초록
Privacy-preserving cross-domain recommendation (PPCDR) refers to preserving the privacy of users when transferring the knowledge from source domain to target domain for better performance, which is vital for the long-term development of recommender systems. Existing work on cross-domain recommendation (CDR) reaches advanced and satisfying recommendation performance, but mostly neglects preserving privacy. To fill this gap, we propose a privacy-preserving generative cross-domain recommendation (PPGenCDR) framework for PPCDR. PPGenCDR includes two main modules, i.e., stable privacy-preserving generator module, and robust cross-domain recommendation module. Specifically, the former isolates data from different domains with a generative adversarial network (GAN) based model, which stably estimates the distribution of private data in the source domain with Renyi differential privacy (RDP) technique. Then the latter aims to robustly leverage the perturbed but effective knowledge from the source domain with the raw data in target domain to improve recommendation performance. Three key modules, i.e., (1) selective privacy preserver, (2) GAN stabilizer, and (3) robustness conductor, guarantee the cost-effective trade-off between utility and privacy, the stability of GAN when using RDP, and the robustness of leveraging transferable knowledge accordingly. The extensive empirical studies on Douban and Amazon datasets demonstrate that PPGenCDR significantly outperforms the state-of-the-art recommendation models while preserving privacy.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Et Tu, Brute? 개인 AI 에이전트의 경제적 정렬 오류
Et Tu, Brute? Economic Misalignment in Personal AI Agents
개인 AI 에이전트(personal AI agent)는 항공권 구매, 건강보험 선택, 대학원 프로그램 선정 등 고위험 경제적 상황에서 사용자를 대신해 추천을 제공하고 행동을 수행한다. 이 에이전트는 사용자에게 최적화된 개인화 결정을 내릴 목적으로 이메일 수신함이나 개인 속성에 대한 구조화된 프로필 등 사용자의 개인 맥락(personal context)에 접근할 수 있다. 우리는 이러한 개인 맥락을 제공하는 것만으로도 에이전트가 명시적인 지시 없이 추론된 부(wealth)에 따라 추천을 유도한다는 것을 보여준다. 항공권, 건강보험, 대학원 프로그램이라는 세 가지 유형의 경제적 결정에 걸쳐 13개 에이전트를 대상으로 32만 5천 건의 실험을 수행한 결과, 동일한 요청에 대해 8개 모델이 더 부유한 사용자에게 체계적으로 더 비싼 옵션을 선택한다는 것을 확인했다. 이러한 유도는 사용자가 명시한 목표와 직접 상충하는 경우에도 계속된다. 즉, 가장 저렴한 옵션을 찾도록 명시적으로 지시받은 경우에도 일부 에이전트는 자신이 추론한 부 프로필에 따라 행동한다. 이는 과제와 무관한 이메일과 같은 주변 데이터(ambient data)로부터 부가 추론되는 경우에도 나타난다. 또한 특정 속성을 차단하는 개인정보 보호 제어 하에서도 지속된다. 재무 관련 속성을 차단하면 격차가 대체로 사라지지만, 다른 속성을 차단하면 격차는 그대로 유지되거나 보험의 경우 최대 40%까지 증가할 수 있는데, 이는 에이전트가 남은 신호에 의존해 부를 추론하기 때문이다. 더 크고 성능이 뛰어난 모델이라고 해서 더 낫지 않으며, Claude Opus 4.8이 가장 큰 효과를 보인다. 우리는 이러한 정렬 오류(misalignment)를 "적대적 위임(adversarial delegation)"이라고 명명한다. 이는 개인 AI 에이전트를 유용하게 만드는 바로 그 조건, 즉 개인 정보에 대한 접근이 오히려 사용자의 이익에 반해 행동하도록 만드는 것을 뜻한다.
Obliviate: 추천 시스템에서의 효율적 언러닝
Obliviate: Efficient Unlearning in Recommender Systems
머신 언러닝(machine unlearning)은 데이터 프라이버시 규제 맥락에서 점점 더 중요해지고 있으며, 특히 사용자 상호작용 데이터로 직접 학습되는 추천 시스템에서 그렇다. 본 연구의 목표는 요청된 상호작용 데이터와 그 하류 영향을 학습된 모델에서 제거하면서 추천 품질을 유지하고, 전체 재학습(full retraining)에 따르는 상당한 계산 비용 없이 이를 달성하는 것이다. 기존 접근법은 언러닝 완전성의 한계와 추천 성능 저하, 그리고 상당한 계산 오버헤드 등 여러 한계를 보인다. 본 논문에서는 추천 시스템을 위한 효율적인 2단계 언러닝 프레임워크인 Obliviate를 제안하며, 이는 높은 언러닝 완전성을 달성하면서도 좋은 유틸리티(utility)를 유지한다. 1단계에서는 Low-Rank Unlearning Adapter(LUA)를 도입하며, 이는 경량 헤시안 프록시를 사용하여 전체 파라미터가 아닌 국소적 저랭크 어댑터를 통해 곡률 인식(curvature-aware)적이고 효율적인 언러닝을 가능하게 한다. 2단계에서는 Locality-Aware Calibration(LAC)을 제안하며, 이는 경량 정제 단계로 어댑터 파라미터만 업데이트하여 랭킹 기반 목적 함수를 통해 언러닝을 강제하고 지식 증류를 통해 유틸리티를 유지함으로써 성능을 개선한다. 광범위한 실험 평가를 통해 Obliviate가 추천 품질의 최소한의 손실로 높은 수준의 망각(forgetting)을 달성하고 계산 비용을 크게 줄였음을 보여주며, 대규모 추천 시스템을 위한 실용적이고 확장 가능한 해결책을 제공한다.
개인화와 프라이버시의 균형을 맞춘 프라이버시 보존 추천 시스템
Privacy Preserving Recommender Systems Balancing Personalization with Privacy
개인화 추천 시스템은 현대 이커머스 및 소매 플랫폼의 핵심이지만, 일반적으로 상세한 사용자 상호작용 데이터의 중앙집중식 저장에 의존하여 상당한 프라이버시 및 규제 문제를 야기한다. GDPR, CCPA, CPRA와 같은 규정의 요구가 증가함에 따라, 조직은 추천 품질을 크게 저하시키지 않으면서 사용자 프라이버시를 보존하는 추천 시스템을 개발해야 한다. 본 연구는 연합 학습(federated learning), 차등 프라이버시(differential privacy), 코호트 수준 모델링(cohort-level modeling), 프라이버시 인식 지능형 에이전트(privacy-aware intelligent agents)를 결합한 프라이버시 보존 추천 프레임워크를 제시하고 평가한다. 이 프레임워크는 원시 사용자 데이터를 분산 상태로 유지하면서 모델 업데이트에 수학적으로 제한된 노이즈를 도입한다. 고객 클릭스트림 및 구매 행동을 모사하는 합성 소매 데이터셋(dataset)에서 실험을 수행했다. 추천 품질은 여러 차등 프라이버시 예산에 걸쳐 클릭률(CTR), 정밀도@K(Precision@K), 재현율@K(Recall@K), 정규화 할인 누적 이득(NDCG@K)으로 평가했다. 다양한 프라이버시 제약 하에서 행렬 분해(matrix factorization), 신경망 협업 필터링(neural collaborative filtering), GRU4Rec을 평가하고 프라이버시와 유틸리티(utility) 간의 트레이드오프를 분석한다. 추천 성능, 순위 안정성, 프라이버시-유틸리티 트레이드오프, 공정성(fairness) 지표를 시각화하는 대화형 Streamlit 대시보드를 개발했다. 결과는 제안 프레임워크가 중간 수준의 프라이버시 예산(약 ε≈5)에서 경쟁력 있는 추천 품질을 유지함을 보여주며, 강력한 프라이버시 보장이 추천 효과에 제한적인 영향만으로 달성될 수 있음을 입증한다. 본 연구는 개인화, 규제 준수, 비즈니스 목표의 균형을 맞추는 프라이버시 보존 추천 시스템 배포를 위한 실용적 프레임워크를 제공하며, 차세대 AI 기반 소매 플랫폼을 위한 확장 가능한 접근법을 제시한다.
Proximity Features: Airbnb의 개인정보 준수 콜드 스타트 개인화
Proximity Features: Privacy-Compliant Cold-Start Personalization at Airbnb
양면 마켓플레이스에서의 개인화는 사용자 수준 특징에 크게 의존하지만, 구매 빈도가 낮고 구매 전 고려가 긴 플랫폼의 경우 유료 및 자연(organic) 채널 모두에 걸쳐 효과적인 추천을 위한 충분한 이력을 갖추지 못한 사용자가 상당수 존재한다. Airbnb에서는 상당 비율의 검색 요청이 로그아웃 상태이거나 첫 방문 사용자로부터 발생하며, 이 문제는 유료 채널 랜딩 페이지에서 특히 두드러져 전체 트래픽의 상당 부분에서 기존 사용자 수준 특징을 사용할 수 없게 한다. 개인정보 규제와 서드파티 쿠키에 대한 점점 강화되는 제한은 비필수 사용 사례에 대한 식별자 기반 추적을 더욱 제한한다. 본 논문은 geo-IP 데이터와 적응형 클러스터링 알고리즘을 사용하여 지리적 근접성에 따라 사용자를 그룹화하고, 추론 시 지속적인 개별 식별자 없이도 약 1,000명의 인근 사용자 그룹에 대한 집계된 사용자 수준 신호를 생성하는 개인정보 준수 특징 시스템인 Proximity Features(근접 특징)를 제안한다. 개인정보 보호는 설계상 보장된다. 파이프라인은 동의 기반 프라이버시 통제 내에서 동의된 집계 데이터만으로 동작한다. 이 시스템은 Airbnb 프로덕션에 배포되어 마케팅 랜딩 페이지, 목적지 추천 등 여러 접점에 서비스되고 있으며, engagement 이메일 통합이 진행 중이다. 온라인 A/B 실험은 예약 건수에서 통계적으로 유의미한 향상을 보여주며, 이력이 없거나 오래된 사용자에서 가장 큰 이득이 관찰되었다.
ViHoRec: 품질 관리 기반 베트남 호텔 추천 데이터셋 및 콜드 스타트 벤치마크
ViHoRec: A Quality-Controlled Vietnamese Hotel Recommendation Dataset and Cold-Start Benchmark
베트남어 추천 시스템 연구는 공개되고 잘 문서화된 호텔 상호작용 리소스의 부재로 인해 여전히 제한적이다. 이러한 리소스를 구축하는 것은 세 가지 이유로 어렵다: 상호작용을 비교 가능하게 하려면 플랫폼 간 호텔명을 먼저 조정해야 한다; 품질은 임의의 정제가 아니라 재현 가능한 지표로 검증되어야 한다; 공개 배포는 현실적인 콜드 스타트 조건에서 벤치마크 가능성을 유지하면서 프라이버시를 보존해야 한다. 우리는 Booking.com, Traveloka, Ivivu에서 크롤링한 6,832명의 사용자와 560개 호텔 간 18,267건의 상호작용으로 구성된 품질 관리 기반 베트남 호텔 추천 데이터셋 ViHoRec을 소개한다. 우리의 기여는 다음과 같다: (i) 플랫폼 간 엔티티 정합과 정량적 품질 관리를 갖춘 재현 가능한 구축 파이프라인; (ii) HMAC 가명을 활용한 프라이버시 보존 공개; (iii) 시간적 leave-last-one-out 분할, 데이터 중심 ablation, 의존성 없는 baseline을 포함한 공개 콜드 스타트 벤치마크. 공개 분할에서 학습된 모델은 짧은 이력을 가진 사용자에 대해 급격히 성능이 저하되며(BPR-MF 재현율@10: 0.065 vs. 0.120), UserKNN이 전체적으로 가장 강한 성능을 보이며, ViHoRec을 저자원 추천을 위한 희소하고 콜드 스타트가 지배적인 테스트베드로 확립한다. 모든 데이터는 https://github.com/MinhNguyenDS/ViHoRec 에서 공개적으로 이용 가능하다.
캠페인 의사결정 지원을 위한 신뢰할 수 있는 합성 데이터: 전략 시뮬레이션 충실도와 PolicySynth 프레임워크
Trustworthy synthetic data for campaign decision support: strategy simulation fidelity and the PolicySynth framework
의사결정 지원 시스템(DSS)은 개인정보 보호 제약으로 인해 실제 데이터를 무제한으로 사용할 수 없기 때문에, 합성 고객 집단을 대상으로 고객 유지 가상 분석(what-if analysis)을 수행하는 사례가 증가하고 있다. 이러한 시스템이 신뢰할 수 있으려면 합성 데이터가 실제 데이터와 동일한 의사결정으로 이어져야 하지만, 현재 통용되는 평가 기준은 의사결정 정렬이 아닌 분포 유사성을 인증하는 데 그친다. 따라서 합성 집단이 모든 주변 분포를 일치시키면서도 마케팅 팀을 잘못된 캠페인으로 유도할 수 있다. 우리는 이 의사결정 정렬 격차를 세 가지 기여로 해소한다: 합성 집단이 실제 집단과 동일한 캠페인 실행/중단 결정을 산출하는 빈도를 측정하는 기준인 전략 시뮬레이션 충실도(SSF, strategy simulation fidelity); 의사결정 관련 구조를 정렬하기 위해 생성기를 프로덕션 이탈 예측 모델에 조건화한 DSS 프레임워크인 PolicySynth; 그리고 최소 배포 품질 기준으로서 의사결정 정렬, 멤버십 추론(membership inference) 저항성, 신규 레코드 비율의 3축 보고 표준이다. 통신 이탈 코퍼스와 은행 신규 고객 유치 코퍼스에서 PolicySynth는 평균 SSF 0.923과 0.960을 달성하였으며, 시드 간 분산은 통신 데이터셋에서 CTGAN 대비 약 10배, 은행 데이터셋에서 2.5배 더 낮았다. 이 안정성이 배포 가능한 핵심 속성으로, 실행/중단 권고안은 월별 재학습 주기 사이에서 최대 1.2 퍼센트 포인트만 변동한 반면, CTGAN은 11.5 퍼센트 포인트, 즉 9개 캠페인 중 1개에서 권고 방향이 뒤집혔다. 부트스트랩 기준선은 SSF에서 PolicySynth와 동등하지만 실제 레코드를 그대로 복사하여 멤버십 추론에 취약하다는 점에서, 단일 축만으로는 충분하지 않음을 보여주는 증거가 된다. PolicySynth는 방향성 있는 실행/중단 스크리닝을 안정적으로 지원하지만, ROI 추정값은 실제 결과와 70~78% 차이를 보이므로 본 논문에서 기술한 볼륨 보정이 필요하다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.