지식 그래프 임베딩으로부터의 민감한 속성 추론: 공격 및 방어 전략

요약

지식 그래프 임베딩(KGE) 기술이 누락된 정보를 추론하는 과정에서 의도치 않게 민감한 사용자 정보를 노출할 수 있는 개인정보 보호 위험을 분석합니다. 본 연구는 공격자가 KGE 출력을 통해 민감한 속성을 유추하는 공격을 조사하고, 이를 완화하기 위한 사후 처리 정화(Post-processing Sanitization) 프레임워크를 제안합니다. 실험을 통해 공격의 유효성을 입증하는 동시에, 개인정보 보호와 추천 품질 사이의 트레이드오프 관계를 확인했습니다.

핵심 포인트

• 지식 그래프 임베딩(KGE)을 통한 정보 추론 과정에서 민감한 사용자 속성이 노출될 위험이 있음
• 공격자가 비민감한 출력값으로부터 민감한 정보를 유추하는 속성 추론 공격(Attribute Inference Attacks) 가능성 확인
• KGE 출력에 무작위화 기반의 사후 처리 정화 기술을 적용하여 개인정보 보호 위험 완화 시도
• 개인정보 보호 수준을 높일수록 추천 서비스의 품질이 저하되는 트레이드오프 문제 발생