Los límites fundamentales a la privacidad en las redes sociales

Utilizar redes socials para hacer recomendaciones siempre comprometerá la privacidad, de acuerdo con una demostración matemática de los límites fundamentales de la privacidad.

Privacidad

Límites de privacidad. Technology Review.

Las recomendaciones están entre las aplicaciones más novedosas de internet. Muchos sitios hacen recomendaciones en base a un análisis del patrón de los enlaces que aparecen en las redes sociales.

Facebook recomienda nuevos contactos basándose en un patrón de conexiones entre usuarios existentes, Amazon recomienda libros y otros productos en base al historial de compra y Netflix recomienda películas utilizando valoraciones históricas.

Estos sitios producen resultados útiles para los usuarios que pueden incrementar de forma espectacular las ventas de un comercio. Sin embargo, también comprometen la privacidad. Por ejemplo, una red de recomendaciones podría revelar que una persona se ha puesto en contacto por email con otra o que un individuo ha comprado un producto determinado o visto cierta película. Incluso puede ser un problema para la privacidad descubrir que un amigo no confía en tu gusto a la hora de escoger un libro.

La verdad es que hay un largo historial de controversias asociadas a las redes sociales. En 2007, Facebook provocó una tormenta al revelar el historial de compra de los usuarios a sus amigos. Más o menos al mismo tiempo, un equipo de investigadores eliminó la privacidad de las recomendaciones de películas de Netfix comparándola con las calificaciones de las películas de IMDB. Más recientemente, Google se llevó muchas críticas al lanzar su red social Buzz porque revelaba detalles sobre los usuarios de la red a terceras personas.

Hoy, Aleksandra Korolova de la Universidad de Stanford junto con Ashwin Machanavajhala y Atish Das Sarmait, dicen que las brechas en la privacidad son inevitables cuando las redes se utilizan de esta manera. De hecho, han calculado el límite fundamental de privacidad que se puede conseguir cuando las redes sociales se utilizan para buscar recomendaciones.

Es una tarea difícil porque se utilizan diferentes enfoques para hacer las recomendaciones. Sin embargo, Korolova, Machanavajjhala y Sarmair han desarrollado un modelo general que capta la esencia del problema.

Their approach is to consider a general graph consisting of various nodes and the links between them. This may be network in which the nodes are books, say, and a link between two nodes represents the purchase of one book by the owner of another. The team consider all these links to be private information.

Su enfoque considera un grafo general que consiste en varios nodos y los vínculos asociados a ellos. Por ejemplo, en una red en la que los nodos fuesen libros, los vínculos representarían la compra de un libro por el dueño de otro. El equipo considera todos estos vínculos como información privada.

Korolova, Machanavajjhala  y Sarmair consideraron luego a un atacante que quiere averiguar la existencia de un vínculo en el grafo desde una recomendación determinada. Dada la cantidad de gente que compró el libro x y que también compró el libro y, ¿es possible determinar la compra hecha por un individuo determinado?

Para hacer esto, Korolova, Machanavajjhala y Sarmait  definieron el diferencial de privacidad que dice que un algoritmo preserva la identidad de una entidad si no es sensible a la presencia de dicha entidad en los argumentos de entrada.

La pregunta que se formulan luego es hasta qué punto pueden las recomendaciones ser realizadas y a la vez preservar este diferencial de privacidad.

Resulta que hay una compensación entre la precision de la recomendación y la privacidad de la red. Así que una pérdida de privacidad es inevitable para un bueno motor de recomendaciones.

El grupo también observe las formas en las que se preserva la privacidad al anonimizar los datos, por ejemplo, al añadirles ruido. Incluso compararon diferentes algoritmos de privacidad utilizando datos sobre patrones de votos en la Wikipedia.

El resultado no es muy alentador, la compensación entre la precisión de las recomendaciones y la privacidad siempre es aparente. “Este hallazgo pone en cuestión la posibilidad de desarrollar algoritmos de recomendación que sean precisos y a la vez puedan preservar la privacidad”, explicó el equipo.

Es un resultado potencialmente explosivo. Pero sería injusto sacar conclusiones precipitadas. Es cierto que la definición que este grupo hace de “privacidad” es muy estricta (como debe ser).

Ref: arxiv.org/abs/1004.5600: On the (Im)possibility of Preserving Utility and Privacy in Personalized Social Recommendations

Este artículo ha sido traducido de Technology Review y publicado bajo licencia CC by-sa

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s

A %d blogueros les gusta esto: