論文の概要: Shared MF: A privacy-preserving recommendation system
- arxiv url: http://arxiv.org/abs/2008.07759v1
- Date: Tue, 18 Aug 2020 06:19:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 21:13:33.900997
- Title: Shared MF: A privacy-preserving recommendation system
- Title(参考訳): 共有mf: プライバシー保護型レコメンデーションシステム
- Authors: Senci Ying
- Abstract要約: 本稿では,共有行列分解方式であるSharedMFを提案する。
まず、分散レコメンデーションシステムを構築し、その後、ローカルデータのプライバシを保護するためにシークレット共有技術を使用する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Matrix factorization is one of the most commonly used technologies in
recommendation system. With the promotion of recommendation system in
e-commerce shopping, online video and other aspects, distributed recommendation
system has been widely promoted, and the privacy problem of multi-source data
becomes more and more important. Based on Federated learning technology, this
paper proposes a shared matrix factorization scheme called SharedMF. Firstly, a
distributed recommendation system is built, and then secret sharing technology
is used to protect the privacy of local data. Experimental results show that
compared with the existing homomorphic encryption methods, our method can have
faster execution speed without privacy disclosure, and can better adapt to
recommendation scenarios with large amount of data.
- Abstract(参考訳): マトリックス分解はレコメンデーションシステムにおいて最もよく使われる技術の一つである。
電子商取引やオンラインビデオなどにおけるレコメンデーションシステムの普及に伴い、分散レコメンデーションシステムは広く普及し、マルチソースデータのプライバシー問題はますます重要になっている。
本稿では,連合学習技術に基づき,共有行列因子化手法sharedmfを提案する。
まず、分散レコメンデーションシステムを構築し、その後、ローカルデータのプライバシを保護するためにシークレット共有技術を使用する。
実験の結果,既存の準同型暗号法と比較して,プライバシの開示なく実行速度が速くなり,大量のデータを用いたレコメンデーションシナリオへの適応性が向上した。
関連論文リスト
- Hiding Your Awful Online Choices Made More Efficient and Secure: A New Privacy-Aware Recommender System [5.397825778465797]
本稿では,プライバシを意識した機械学習アルゴリズムを実用的スケーラビリティと効率のために組み合わせた,プライバシを意識した新たなレコメンデーションシステムを提案する。
メモリ制約の低消費電力SOC(System on Chip)デバイスであっても,1億エントリを含むデータセットのプライベートレコメンデーションを初めて計算可能にする。
論文 参考訳(メタデータ) (2024-05-30T21:08:42Z) - Mirror Gradient: Towards Robust Multimodal Recommender Systems via
Exploring Flat Local Minima [54.06000767038741]
フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。
我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。
提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
論文 参考訳(メタデータ) (2024-02-17T12:27:30Z) - User Consented Federated Recommender System Against Personalized
Attribute Inference Attack [55.24441467292359]
本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。
UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
論文 参考訳(メタデータ) (2023-12-23T09:44:57Z) - Semi-decentralized Federated Ego Graph Learning for Recommendation [58.21409625065663]
デバイス上でのレコメンデーションのための半分散型フェデレーションエゴグラフ学習フレームワークであるSemiDFEGLを提案する。
提案するフレームワークはモデルに依存しないため、既存のグラフニューラルネットワークベースのレコメンデーションメソッドやプライバシ保護技術とシームレスに統合できる。
論文 参考訳(メタデータ) (2023-02-10T03:57:45Z) - Dual Personalization on Federated Recommendation [50.4115315992418]
フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。
本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。
また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
論文 参考訳(メタデータ) (2023-01-16T05:26:07Z) - Decentralized Matrix Factorization with Heterogeneous Differential
Privacy [2.4743508801114444]
信頼できないリコメンデータに対して, 異種差分行列分解アルゴリズム(HDPMF)を提案する。
我々のフレームワークは、プライバシと精度のトレードオフを改善するために、革新的な再スケーリングスキームを備えた拡張ストレッチ機構を使用している。
論文 参考訳(メタデータ) (2022-12-01T06:48:18Z) - Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge
Caching [91.50631418179331]
MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。
分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
論文 参考訳(メタデータ) (2021-10-20T02:48:27Z) - Practical and Secure Federated Recommendation with Personalized Masks [24.565751694946062]
フェデレートレコメンデーションは、プライベート分散レコメンデーションシステムの新たな概念である。
現在のレコメンデータシステムは、主に同型暗号化と差分プライバシー方式を利用している。
本稿では,新しいフェデレーション・リコメンデーション・フレームワークであるフェデレーション・マスク・マトリックス・ファクタライゼーションを提案する。
論文 参考訳(メタデータ) (2021-08-18T07:12:23Z) - A Hybrid Recommender System for Recommending Smartphones to Prospective
Customers [0.7310043452300736]
ハイブリッドレコメンデータシステムは、補完的な利点の恩恵を受けるために、さまざまな方法で複数のレコメンデーション戦略を組み合わせる。
いくつかのハイブリッドレコメンデータシステムは、より堅牢なビルドシステムに対する協調フィルタリングとコンテンツベースのアプローチを組み合わせています。
本稿では,Alternative Least Squares(ALS)に基づく協調フィルタリングとディープラーニングを組み合わせたハイブリッドレコメンデーションシステムを提案する。
論文 参考訳(メタデータ) (2021-05-26T23:10:51Z) - A Federated Multi-View Deep Learning Framework for Privacy-Preserving
Recommendations [25.484225182093947]
プライバシー保護の勧告は、ユーザーのプライバシーとデータセキュリティに対する懸念から、勢いを増している。
FedRecアルゴリズムは、パーソナライズされたプライバシー保護レコメンデーションを実現するために提案されている。
本稿では,汎用コンテンツベースフェデレーション型マルチビューレコメンデーションフレームワークFLMV-DSSMを提案する。
論文 参考訳(メタデータ) (2020-08-25T04:19:40Z) - Meta Matrix Factorization for Federated Rating Predictions [84.69112252208468]
フェデレートされたレコメンデーターシステムは、従来のレコメンデーターシステムよりもプライバシー保護という点で明確なアドバンテージを持っている。
フェデレートされたレコメンデータシステムに関するこれまでの研究は、モバイル環境におけるストレージ、RAM、エネルギ、通信帯域の制限を十分に考慮していない。
本研究の目的は,モバイル環境を対象としたレーティング予測(RP)のための新しい統合学習フレームワークを設計することである。
論文 参考訳(メタデータ) (2019-10-22T16:29:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。